Sistema de auxílio na avaliação de calcificações mamárias por processamento digital de imagens e inteligência artificial

Abstract

A melhor forma de prevenção e controle do câncer de mama, o segundo tipo de câncer com maior incidência mundial, continua sendo o diagnóstico precoce. A mamografia é considerada o principal método de detecção precoce do câncer de mama. As calcificações (acúmulo de cálcio em regiões da mama) são freqüentemente encontradas em exames de rastreio da mama. A distinção entre calcificações tipicamente benignas e calcificações suspeitas de malignidade é uma tarefa complexa. O sistema Breast Image Reporting and Data System (BI-RADS) normatiza a descrição e o manejo dos achados mamográficos entre os especialistas da área médica. Este trabalho fundamenta-se em técnicas de Processamento Digital de Imagens para realizar a extração de informações morfológicas das calcificações e uma Rede Neural Artificial (RNA) Perceptron Múltiplas Camadas (PMC) para classificar as calcificações analisadas de acordo com a classificação morfológica definida pelo BI-RADS. O desempenho da RNA PMC foi avaliado em um teste controlado com calcificações sintéticas, geradas para simular calcificações reais, e validado com calcificações reais, extraídas de mamografias cedidas pela clínica de estudo. Adicionalmente foi desenvolvido um sistema de Raciocínio Baseado em Casos para indicar a classificação BI-RADS final da mamografia conforme análise das calcificações mamárias. A RNA PMC adotada foi testada usando o algoritmo Backpropagation cujos melhores resultados demonstraram uma convergência rápida da RNA e uma boa generalização do conhecimento, permitindo uma classificação com até 98% de acerto. A avaliação da técnica de RBC foi realizada com testes com a especialista da área e técnicas de validação preditiva. Os resultados obtidos validam que a presente proposta disponibiliza um processo consistente de análise das calcificações mamárias através do uso das técnicas de IA e PDI. _______________________________________________________________________________________ ABSTRACT

Early diagnosis still represents the best approach to prevent and control breast cancer, the second most frequent form of cancer worldwide. In this context, mamography has been largely used as major method for early disease detection. Calcifications (calcium build-ups) in breast regions are frequently found in breast screening examinations. The distinction between clusters of benign and malignant calcification is a complex task. The BI-RADS system (Breast Image Reporting and Data System) standardizes the description and management of mammographic findings among medical experts. This work is based on techniques Digital Image Processing (DIP) to perform the extraction of morphological information of calcifications and an Artificial Neural Network (ANN) Multi-Layer Perceptron (MLP) to classify calcifications analyzed according to the morphological classification defined by BI-RADS. The performance of MLP ANN was evaluated in a controlled test with synthetic calcifications, generated to simulate real calcifications and validated with real calcifications, extracted from mammograms provided by associated clinical. Additionally it was developed a system of Case Based Reasoning (CBR) to indicate the BI-RADS mammography of breast calcifications according to BI-RADS category most applicable. The ANN MPL adopted was tested using the Backpropagation algorithm whose best results demonstrated a rapid convergence of ANN and a good generalization of knowledge, allowing a rating up to 98% accuracy. The evaluation of CBR technique was performed with tests of medical expert and techniques for predictive validity. The results validate that this proposal provides a consistent process for analyzing breast calcifications through the use of AI techniques and DIP.