Classificador paraconsistente de atributos de imagens mamográficas aplicado no processo de diagnóstico do câncer de mama assistido por computador

Resumo

Foi desenvolvido um Classificador Paraconsistente para auxiliar no diagnóstico do câncer de mama, com base na classificação de atributos de imagens mamográficas. A arquitetura da Rede Neural Artificial Paraconsistente utilizada é dividida em três fases: na primeira, há as Células Neurais Artificiais Paraconsistentes de aprendizado (CNAPa); na segunda, há as Células Neurais Artificiais Paraconsistentes de Conexão lógica simples (CNAPCls); na última, há as Células Neurais Artificiais Paraconsistentes de decisão (CNAPd). O sistema implementa oito conjuntos de atributos mamográficos, nos quais, para cada um deles, foi criada uma rede neural, com a tomada de decisão baseada nos resultados finais do processamento de cada conjunto de atributos. Para mitigar os efeitos dos diagnósticos, formados por falsos positivos e verdadeiros positivos, desenvolveu-se um algoritmo para calibração do valor de corte entre os casos benignos e malignos. A fim de analisar o desempenho do classificador, os resultados foram comparados com os resultados dos seguintes classificadores: o Multi-Layer Perceptron (MLP); um classificador de duplo estágio (ART2LDA) fundamentado na Adaptive Resonance Theory (ART); e um classificador implementado segundo técnicas de otimização não linear e combinatória associadas à capacidade de classificação das funções de bases radiais (RBF-Simulated annealing). Para realizar as simulações são utilizadas duas bases de dados distintas. Uma para classificação de calcificações, composta por 143 amostras, divididas em 64 casos benignos e 79 casos malignos, representadas por fatores de forma; e outra para classificação das massas mamográficas e tumores, composta por 57 regiões de interesse, divididas em 37 malignas e 20 benignas, representadas por fatores de forma, transição de bordas e medidas de textura. O desempenho dos classificadores ao discriminar casos benignos e malignos é comparado em termos da área sob curva, Receiver Operating Characteristic (Az). Quanto maior for o valor de Az melhor será o desempenho do classificador. Nos experimentos com calcificações, mostram: classificador paraconsistente (Az = 0,986); classificador MLP (Az = 0,70); classificador ART2LDA (Az = 0,696); e classificador RBF-Simulated annealing (Az = 0,94). Nos experimentos com massas mamográficas e tumores, mostram: Conjunto 1, classificador paraconsistente (Az = 0,939), classificador MLP (Az = 0,994), classificador ART2LDA (Az = 0,901) e classificador RBF-Simulated annealing (Az = 0,912); Conjunto 2, classificador paraconsistente (Az = 0,935), classificador MLP (Az = 0,994), classificador ART2LDA (Az = 0,890) e classificador RBF-Simulated annealing (Az = 0,924); Conjunto 3, classificador paraconsistente (Az = 0,875), classificador MLP (Az = 0,970), classificador ART2LDA (Az = 0,850), e classificador RBF-Simulated annealing (Az = 0,996); Conjunto 4, classificador paraconsistente (Az = 0,500), classificador MLP (Az = 0,887), classificador ART2LDA (Az = 0,767) e classificador RBF-Simulated annealing (Az = 0,907); Conjunto 5, classificador paraconsistente (Az = 0,929), classificador MLP (Az = 0,987), classificador ART2LDA (Az = 0,884) e classificador RBF-Simulated annealing (Az = 0,998); Conjunto 6, classificador paraconsistente (Az = 0,939), classificador MLP (Az = 0,982), classificador ART2LDA (Az = 0,885) e classificador RBF-Simulated annealing (Az = 0,999). Para o classificador paraconsistente, houve um oitavo experimento, composto pelo total de atributos de imagens relativos às massas mamográficas e tumores (Az = 0,939). No caso particular do classificador RBF-Simulated annealing, o experimento com todos os atributos de imagens se mostrou inviável, graças à complexidade do seu algoritmo, em que o tempo de processamento tende ao infinito para um número maior de elementos. Nos experimentos, o classificador paraconsistente utilizou 20% das amostras para treinamento da rede neural contra o total de amostras disponíveis menos uma para os demais classificadores. Os resultados demonstram as qualidades do classificador paraconsistente ao utilizar um número reduzido de amostras para treinamento da rede neural e pelo seu baixo tempo de processamento. O classificador proposto pode ser considerado um Computer-Aided Diagnosis (CAD).