masterThesis
Seleção de atributos para apoio ao diagnóstico do câncer de mama usando imagens termográficas, algoritmos genéticos e otimização por enxame de partículas
Registro en:
SILVA, Amanda Lays Rodrigues da. Seleção de atributos para apoio ao diagnóstico do câncer de mama usando imagens termográficas, algoritmos genéticos e otimização por enxame de partículas. 2019. Dissertação (Mestrado em Engenharia de Biomédica) – Universidade Federal de Pernambuco, Recife, 2019.
Autor
SILVA, Amanda Lays Rodrigues da
Institución
Resumen
A incidência de câncer de mama aumenta a cada ano. A detecção precoce da doença é fundamental já que quanto mais cedo a doença é descoberta melhores são os tratamentos e as chances de cura. Atualmente, a mamografia é o padrão ouro para o diagnóstico do câncer de mama, porém este exame apresenta algumas limitações. A termografia infravermelha é uma técnica que vem sendo bastante estudada devido aos seus benefícios. Os sistemas de classificação de tumores são detalhados e complexos e de difícil utilização pelos patologistas. Portanto, a combinação de profissionais especializados e métodos de análise digital de imagens de termografias de mama pode contribuir para a melhoria do diagnóstico. A partir disso, áreas computacionais têm se dedicado à pesquisa e à proposta de métodos para tratar esses dados. A seleção de atributos desempenha uma tarefa fundamental nesse processo, pois representa um problema de fundamental importância em aprendizado de máquina. Uma das principais áreas da Inteligência Computacional é a Computação Evolucionária (CE), que se fundamenta em estratégias para resolução de problemas baseando-se em métodos evolutivos oriundos da Teoria da Evolução de Darwin, tais como os mecanismos de seleção natural, cruzamento e mutações, além do comportamento adaptativo. Neste trabalho foi proposta a seleção de atributos em imagens termográficas com lesões mamárias utilizando os Algoritmos Genéticos (AG) e a Otimização por Enxame de Partículas (PSO). O principal objetivo dessa pesquisa foi analisar principalmente as etapas de seleção de atributos e de classificação, as quais são essenciais para a obtenção de um sistema capaz de interpretar as informações de entrada e generalizar a tomada de decisão. Para avaliar o desempenho dos subconjuntos selecionados foram usados diversos classificadores, no qual o Máquina de Vetor de Suporte foi mais efetivo. Foi possível uma redução de 169 atributos com acurácia de 91,115% para 57 atributos com acurácia de 87,082% utilizando AG. Com o algoritmo PSO foi encontrado um subconjunto de 60 atributos e uma acurácia de 86,157%. Os resultados mostraram que a nossa abordagem foi positiva, sendo evidenciada por uma significativa redução na quantidade de atributos sem diminuição considerável na acurácia em relação a classificação com todos os atributos. CAPES The incidence of breast cancer increases each year. Early detection of the disease is critical since the sooner the disease is discovered the better the treatments and the chances of a cure. Currently, mammography is the gold standard for the diagnosis of breast cancer, but this test has some limitations. Infrared thermography is a technique that has been widely studied due to its benefits. Tumor classification systems are detailed, complex, and difficult for pathologists to use. Therefore, the combination of specialized professionals and methods of digital analysis of breast thermography images can contribute to the improvement of the diagnosis. From this, computational areas have been dedicated to research and the proposal of methods to treat this data. Attribute selection plays a fundamental role in this process, as it represents a fundamentally important problem in machine learning. One of the main areas of Computational Intelligence is Evolutionary Computing (EC), which is based on problem solving strategies based on evolutionary methods derived from Darwin’s Theory of Evolution, such as the mechanisms of natural selection, crossing and mutations, beyond adaptive behavior. In this work, the selection of attributes in thermographic images with breast lesions using Genetic Algorithms (AG) and Particle Swarm Optimization (PSO) was proposed. The main objective of this research was to analyze mainly the stages of attribute selection and classification, which are essential for obtaining a system capable of interpreting the input information and generalizing decision making. To evaluate the performance of the selected subsets, several classifiers were used, in which the Support Vector Machine was more effective. It was possible to reduce 169 attributes with 91,115% accuracy to 57 attributes with 87,082% accuracy using GA. With the PSO algorithm, a subset of 60 attributes was found and an accuracy of 86.157%. The results showed that our approach was positive, being evidenced by a significant reduction in the number of attributes without a considerable decrease in accuracy in relation to the classification with all attributes.