Recentemente, Deep Learning mostrou muito sucesso em varias aplicações de
visão computacional. A capacidade de aprender automaticamente as características das
imagens e usar estas características para localização, classificação e segmentação dos
objetos abriu o caminho para novos estudos na área de imagens médicas, melhorando o
desempenho de sistemas de detecção automática assistida por computador (CADE).
Neste trabalho uma nova abordagem baseada em redes neurais convolucionais (CNN) é
proposta para a classificação das imagens de nódulos de mama em ultrassom (US). O
banco de dados é composto de 641 imagens, histopatologicamente classificadas em duas
categorias (413 lesões benignas e 228 malignas). Para ter uma melhor estimativa do
desempenho da classificação do modelo, os dados foram divididos em 5 pastas para
executar a validação cruzada, que em cada pasta 80% dos dados foram usados para
treinamento, e 20% para testes. Diferentes parâmetros de avaliação foram usados como
medidas de desempenho. Com a arquitetura da rede proposta conseguiu-se uma precisão
de 85,98% para a classificação dos nódulos e uma área sob a curva ROC (AUC) igual a
0,94. Após aplicação das técnicas de augmentação de imagens e regularização, a precisão
e a AUC aumentaram para 92,05% e 0,97, respectivamente. Os resultados obtidos
superaram outros métodos de aprendizagem de máquina baseado na seleção manual das
características, o que demonstra a eficácia do método proposto para a classificação de
nódulos em imagens de ultrassom.
|
