Integração de ferramentas de simulação computacional e de classificação para análise de patologias mamárias em imagens termográficas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/47733 |
Resumo: | A inspeção termográfica é considerada um método potencial para melhorar a eficiência da detecção precoce de doenças mamárias. Nesse contexto, o objetivo deste estudo foi o desenvolvimento da ferramenta AGATA (versões Triagem e Multiclassificação) destinada a detectar automaticamente alterações termográficas que indicam risco de malignidade mamária. Para isso, inicialmente, foi validado o método de segmentação automática comparando com cada imagem de referência correspondente, obtida por segmentação manual. Nesta etapa, foram utilizados 90 termogramas (180 segmentações) e a técnica foi avaliada por medidas de sobreposição (Índice de Dados, Índice de Jaccard, Taxa de Falso Positivo e Taxa de Falso Negativo) e por análise estatística para determinar concordância e correlação (gráfico Bland-Altman e correlação de Pearson). Em seguida, o método de segmentação automática foi aplicado a um banco de dados com 233 termogramas mamários. Cinco classificadores (k-Vizinhos mais próximos, Máquinas de Vetores Suporte - SVM, Árvore de Decisão, Análise Discriminante e Naive Ba- yes) foram avaliados em combinação com as técnicas de sobreamostragem mais comuns na literatura. No problema multiclasse, os elementos da base de dados foram categorizados (safe, borderline, rare e outlier) e foram aplicadas estratégias distintas de sobreamostragem, além das tradicionais. Abordagens de seleção de atributos foram consideradas usando métodos evolucionários (Algoritmo Genético e Evolução Diferencial), mRMR (Redundância mínima e Relevância Máxima) e ganho de informação (WEKA – Waikato Environment for Knowledge Analysis). Acurácia, sensibilidade, especificidade, área sob a curva ROC (Receiver Operating Characteristic) (AUC) e estatística Kappa foram usados para avaliar o desempenho dos classificadores. De modo complementar aos casos de lesão maligna, foi desenvolvida uma estratégia para estimar a profundidade e o tamanho do tumor através do perfil de distribuição de temperatura das superfícies de modelos simulados e através do uso do SVM para problemas de regressão. Como resultado da validação da segmentação automática, o gráfico de Bland-Altman apresentou um viés médio de 2458,46±2641,89 pixels entre as áreas obtidas pela segmentação automática e o ground-truth, com coeficiente de correlação de Pearson de 0,68. O índice de similaridade Dice mostrou concordância substancial de aproximadamente 69%. A metodologia adotada para validação sugere que as técnicas analisadas de segmentação das regiões mamárias foram adequadas e consistentes e podem ser utilizadas no processo CAD (Computer-Aided Diagnosis). No sistema AGATA Triagem foi implementada o classificador SVM combinado com a seleção de atributos por algoritmo genético e a técnica de sobreamostragem ASUWO (Adaptive Semi-Unsupervised Weighted Oversampling), atingindo 95,23% de acurácia, 93,65% desensibilidade e 96,81% de especificidade. Para o AGATA Multiclasses foi implementado o classificador SVM e a técnica de balanceamento por sobreamostragem de elementos safes, atingindo 92,20% de acurácia, 92,32% de sensibilidade e 97,40% de especificidade. Quanto a profundidade e o tamanho das lesões malignas, foram obtidos, respectivamente, sistemas com R2 (Coeficiente de Determinação) médio de 0,53 e REQM de 2,95 e R2 médio de 1,16 e REQM (Raiz do Erro Quadrático Médio) de 2,26. O desenvolvimento de sistemas de alto desempenho utilizando uma nova modalidade de imagem mamária pode auxiliar positivamente no rastreamento do câncer de mama. |
id |
UFPE_ff10e51e4d1dcb22ee56747a943eb17e |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/47733 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
QUEIROZ, Kamila Fernanda Ferreira da Cunhahttp://lattes.cnpq.br/0737946094349854http://lattes.cnpq.br/4457435468771667LIMA, Rita de Cássia Fernandes de2022-11-21T12:35:21Z2022-11-21T12:35:21Z2022-08-26QUEIROZ, Kamila Fernanda Ferreira da Cunha. Integração de ferramentas de simulação computacional e de classificação para análise de patologias mamárias em imagens termográficas. 2022. Tese (Doutorado em Engenharia Mecânica) – Universidade Federal de Pernambuco, Recife, 2022.https://repositorio.ufpe.br/handle/123456789/47733A inspeção termográfica é considerada um método potencial para melhorar a eficiência da detecção precoce de doenças mamárias. Nesse contexto, o objetivo deste estudo foi o desenvolvimento da ferramenta AGATA (versões Triagem e Multiclassificação) destinada a detectar automaticamente alterações termográficas que indicam risco de malignidade mamária. Para isso, inicialmente, foi validado o método de segmentação automática comparando com cada imagem de referência correspondente, obtida por segmentação manual. Nesta etapa, foram utilizados 90 termogramas (180 segmentações) e a técnica foi avaliada por medidas de sobreposição (Índice de Dados, Índice de Jaccard, Taxa de Falso Positivo e Taxa de Falso Negativo) e por análise estatística para determinar concordância e correlação (gráfico Bland-Altman e correlação de Pearson). Em seguida, o método de segmentação automática foi aplicado a um banco de dados com 233 termogramas mamários. Cinco classificadores (k-Vizinhos mais próximos, Máquinas de Vetores Suporte - SVM, Árvore de Decisão, Análise Discriminante e Naive Ba- yes) foram avaliados em combinação com as técnicas de sobreamostragem mais comuns na literatura. No problema multiclasse, os elementos da base de dados foram categorizados (safe, borderline, rare e outlier) e foram aplicadas estratégias distintas de sobreamostragem, além das tradicionais. Abordagens de seleção de atributos foram consideradas usando métodos evolucionários (Algoritmo Genético e Evolução Diferencial), mRMR (Redundância mínima e Relevância Máxima) e ganho de informação (WEKA – Waikato Environment for Knowledge Analysis). Acurácia, sensibilidade, especificidade, área sob a curva ROC (Receiver Operating Characteristic) (AUC) e estatística Kappa foram usados para avaliar o desempenho dos classificadores. De modo complementar aos casos de lesão maligna, foi desenvolvida uma estratégia para estimar a profundidade e o tamanho do tumor através do perfil de distribuição de temperatura das superfícies de modelos simulados e através do uso do SVM para problemas de regressão. Como resultado da validação da segmentação automática, o gráfico de Bland-Altman apresentou um viés médio de 2458,46±2641,89 pixels entre as áreas obtidas pela segmentação automática e o ground-truth, com coeficiente de correlação de Pearson de 0,68. O índice de similaridade Dice mostrou concordância substancial de aproximadamente 69%. A metodologia adotada para validação sugere que as técnicas analisadas de segmentação das regiões mamárias foram adequadas e consistentes e podem ser utilizadas no processo CAD (Computer-Aided Diagnosis). No sistema AGATA Triagem foi implementada o classificador SVM combinado com a seleção de atributos por algoritmo genético e a técnica de sobreamostragem ASUWO (Adaptive Semi-Unsupervised Weighted Oversampling), atingindo 95,23% de acurácia, 93,65% desensibilidade e 96,81% de especificidade. Para o AGATA Multiclasses foi implementado o classificador SVM e a técnica de balanceamento por sobreamostragem de elementos safes, atingindo 92,20% de acurácia, 92,32% de sensibilidade e 97,40% de especificidade. Quanto a profundidade e o tamanho das lesões malignas, foram obtidos, respectivamente, sistemas com R2 (Coeficiente de Determinação) médio de 0,53 e REQM de 2,95 e R2 médio de 1,16 e REQM (Raiz do Erro Quadrático Médio) de 2,26. O desenvolvimento de sistemas de alto desempenho utilizando uma nova modalidade de imagem mamária pode auxiliar positivamente no rastreamento do câncer de mama.Thermographic inspection is considered a potential method to improve the efficiency of early detection of breast diseases. In this context, the aim of this study was to develop the AGATA tool (Screening and Multiclassification versions) to automatically detect thermo-graphic changes that indicate a risk of breast malignancy. For this, initially, the automatic segmentation method was validated by comparing it with its corresponding reference image, obtained by manual segmentation. In this step, 90 thermograms (180 segmentations) were used and the technique was evaluated by measures of overlap (Data Index, Jaccard Index, False Positive Rate and False Negative Rate) and by statistical analysis to determine agreement and correlation (Bland-Altman graph and Pearson correlation). Then, the automatic segmentation method was applied to a database with 233 breast thermograms. Five classifiers (k-Nearest Neighbors, Support Vector Machines - SVM, Decision Tree, Discriminant Analysis and Naive Bayes) were evaluated in combination with the most common oversampling techniques in the literature. In the multiclass problem, the elements of the database were categorized (safe, borderline, rare and outlier) and different oversampling strategies were applied, in addition to the traditional ones. Attribute selection approaches were considered using evolutionary methods (Genetic Algorithm and Differential Evolution), mRMR (Minimum Redundancy and Maximum Relevance) and information gain (WEKA – Waikato Environment for Knowledge Analysis). Accuracy, sensitivity, specificity, area under the ROC curve (Receiver Operating Char- acteristic) (AUC) and Kappa statistics were used to evaluate the performance of the classifiers. In addition to cases of malignant lesion, a strategy was developed to estimate the depth and size of the tumor through the surface temperature distribution profile of simulated models and using SVM for regression problems. As a result of the automatic segmentation validation, the Bland-Altman plot presented an average bias of 2458.46±2641.89 pixels between the areas obtained by the automatic segmentation and the ground-truth, with a Pearson correlation coefficient of 0.68. The Dice similarity index showed substantial agreement of approximately 69%. The methodology adopted for validation suggests that the analyzed techniques of segmentation of the mammary regions were adequate and consistent and can be used in the CAD (Computer-Aided Diagnosis) process. In the AGATA Triagem system, the SVM classifier was implemented, combined with the selection of attributes by genetic algorithm and the oversampling technique ASUWO (Adaptive Semi-Unsupervised Weighted Oversampling), reaching 95.23% of accuracy, 93.65% of sensitivity and 96, 81% specificity. For AGATA Multiclasses, the SVM classifier and the balancing technique by oversampling of safe elements were implemented, reaching 92.20% of accuracy, 92.32% of sensitivity and 97.40% of specificity. Regarding the depth and size of malignant lesions, systems with mean R2 (Coefficient of determination) of 0.53 and 2.95 RMSE (Root Mean Squared Error) and mean R2 of 1.16 and RMSE of 2.26 were obtained, respectively. The development of high-performance systems using a new breast im-aging modality can positively assist in breast cancer screening.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Engenharia MecanicaUFPEBrasilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/embargoedAccessEngenharia mecânicaCâncer de mamaTermografiaGround-truthIntegração de ferramentas de simulação computacional e de classificação para análise de patologias mamárias em imagens termográficasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisdoutoradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPEORIGINALTESE Kamila Fernanda Ferreira da Cunha Queiroz.pdfTESE Kamila Fernanda Ferreira da Cunha Queiroz.pdfapplication/pdf6670614https://repositorio.ufpe.br/bitstream/123456789/47733/1/TESE%20%20Kamila%20Fernanda%20Ferreira%20da%20Cunha%20Queiroz.pdf4e8144f36c16343c57872d8ee9a7f08cMD51TEXTTESE Kamila Fernanda Ferreira da Cunha Queiroz.pdf.txtTESE Kamila Fernanda Ferreira da Cunha Queiroz.pdf.txtExtracted texttext/plain452018https://repositorio.ufpe.br/bitstream/123456789/47733/4/TESE%20%20Kamila%20Fernanda%20Ferreira%20da%20Cunha%20Queiroz.pdf.txt5f3b0b56f810e0936550616e2a85547dMD54THUMBNAILTESE Kamila Fernanda Ferreira da Cunha Queiroz.pdf.jpgTESE Kamila Fernanda Ferreira da Cunha Queiroz.pdf.jpgGenerated Thumbnailimage/jpeg1217https://repositorio.ufpe.br/bitstream/123456789/47733/5/TESE%20%20Kamila%20Fernanda%20Ferreira%20da%20Cunha%20Queiroz.pdf.jpgd5e8564d6a4d73cc93f7cea0048a1077MD55CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/47733/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/47733/3/license.txt5e89a1613ddc8510c6576f4b23a78973MD53123456789/477332022-11-22 02:17:57.706oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212022-11-22T05:17:57Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Integração de ferramentas de simulação computacional e de classificação para análise de patologias mamárias em imagens termográficas |
title |
Integração de ferramentas de simulação computacional e de classificação para análise de patologias mamárias em imagens termográficas |
spellingShingle |
Integração de ferramentas de simulação computacional e de classificação para análise de patologias mamárias em imagens termográficas QUEIROZ, Kamila Fernanda Ferreira da Cunha Engenharia mecânica Câncer de mama Termografia Ground-truth |
title_short |
Integração de ferramentas de simulação computacional e de classificação para análise de patologias mamárias em imagens termográficas |
title_full |
Integração de ferramentas de simulação computacional e de classificação para análise de patologias mamárias em imagens termográficas |
title_fullStr |
Integração de ferramentas de simulação computacional e de classificação para análise de patologias mamárias em imagens termográficas |
title_full_unstemmed |
Integração de ferramentas de simulação computacional e de classificação para análise de patologias mamárias em imagens termográficas |
title_sort |
Integração de ferramentas de simulação computacional e de classificação para análise de patologias mamárias em imagens termográficas |
author |
QUEIROZ, Kamila Fernanda Ferreira da Cunha |
author_facet |
QUEIROZ, Kamila Fernanda Ferreira da Cunha |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/0737946094349854 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4457435468771667 |
dc.contributor.author.fl_str_mv |
QUEIROZ, Kamila Fernanda Ferreira da Cunha |
dc.contributor.advisor1.fl_str_mv |
LIMA, Rita de Cássia Fernandes de |
contributor_str_mv |
LIMA, Rita de Cássia Fernandes de |
dc.subject.por.fl_str_mv |
Engenharia mecânica Câncer de mama Termografia Ground-truth |
topic |
Engenharia mecânica Câncer de mama Termografia Ground-truth |
description |
A inspeção termográfica é considerada um método potencial para melhorar a eficiência da detecção precoce de doenças mamárias. Nesse contexto, o objetivo deste estudo foi o desenvolvimento da ferramenta AGATA (versões Triagem e Multiclassificação) destinada a detectar automaticamente alterações termográficas que indicam risco de malignidade mamária. Para isso, inicialmente, foi validado o método de segmentação automática comparando com cada imagem de referência correspondente, obtida por segmentação manual. Nesta etapa, foram utilizados 90 termogramas (180 segmentações) e a técnica foi avaliada por medidas de sobreposição (Índice de Dados, Índice de Jaccard, Taxa de Falso Positivo e Taxa de Falso Negativo) e por análise estatística para determinar concordância e correlação (gráfico Bland-Altman e correlação de Pearson). Em seguida, o método de segmentação automática foi aplicado a um banco de dados com 233 termogramas mamários. Cinco classificadores (k-Vizinhos mais próximos, Máquinas de Vetores Suporte - SVM, Árvore de Decisão, Análise Discriminante e Naive Ba- yes) foram avaliados em combinação com as técnicas de sobreamostragem mais comuns na literatura. No problema multiclasse, os elementos da base de dados foram categorizados (safe, borderline, rare e outlier) e foram aplicadas estratégias distintas de sobreamostragem, além das tradicionais. Abordagens de seleção de atributos foram consideradas usando métodos evolucionários (Algoritmo Genético e Evolução Diferencial), mRMR (Redundância mínima e Relevância Máxima) e ganho de informação (WEKA – Waikato Environment for Knowledge Analysis). Acurácia, sensibilidade, especificidade, área sob a curva ROC (Receiver Operating Characteristic) (AUC) e estatística Kappa foram usados para avaliar o desempenho dos classificadores. De modo complementar aos casos de lesão maligna, foi desenvolvida uma estratégia para estimar a profundidade e o tamanho do tumor através do perfil de distribuição de temperatura das superfícies de modelos simulados e através do uso do SVM para problemas de regressão. Como resultado da validação da segmentação automática, o gráfico de Bland-Altman apresentou um viés médio de 2458,46±2641,89 pixels entre as áreas obtidas pela segmentação automática e o ground-truth, com coeficiente de correlação de Pearson de 0,68. O índice de similaridade Dice mostrou concordância substancial de aproximadamente 69%. A metodologia adotada para validação sugere que as técnicas analisadas de segmentação das regiões mamárias foram adequadas e consistentes e podem ser utilizadas no processo CAD (Computer-Aided Diagnosis). No sistema AGATA Triagem foi implementada o classificador SVM combinado com a seleção de atributos por algoritmo genético e a técnica de sobreamostragem ASUWO (Adaptive Semi-Unsupervised Weighted Oversampling), atingindo 95,23% de acurácia, 93,65% desensibilidade e 96,81% de especificidade. Para o AGATA Multiclasses foi implementado o classificador SVM e a técnica de balanceamento por sobreamostragem de elementos safes, atingindo 92,20% de acurácia, 92,32% de sensibilidade e 97,40% de especificidade. Quanto a profundidade e o tamanho das lesões malignas, foram obtidos, respectivamente, sistemas com R2 (Coeficiente de Determinação) médio de 0,53 e REQM de 2,95 e R2 médio de 1,16 e REQM (Raiz do Erro Quadrático Médio) de 2,26. O desenvolvimento de sistemas de alto desempenho utilizando uma nova modalidade de imagem mamária pode auxiliar positivamente no rastreamento do câncer de mama. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-11-21T12:35:21Z |
dc.date.available.fl_str_mv |
2022-11-21T12:35:21Z |
dc.date.issued.fl_str_mv |
2022-08-26 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
QUEIROZ, Kamila Fernanda Ferreira da Cunha. Integração de ferramentas de simulação computacional e de classificação para análise de patologias mamárias em imagens termográficas. 2022. Tese (Doutorado em Engenharia Mecânica) – Universidade Federal de Pernambuco, Recife, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/47733 |
identifier_str_mv |
QUEIROZ, Kamila Fernanda Ferreira da Cunha. Integração de ferramentas de simulação computacional e de classificação para análise de patologias mamárias em imagens termográficas. 2022. Tese (Doutorado em Engenharia Mecânica) – Universidade Federal de Pernambuco, Recife, 2022. |
url |
https://repositorio.ufpe.br/handle/123456789/47733 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/embargoedAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
embargoedAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Engenharia Mecanica |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/47733/1/TESE%20%20Kamila%20Fernanda%20Ferreira%20da%20Cunha%20Queiroz.pdf https://repositorio.ufpe.br/bitstream/123456789/47733/4/TESE%20%20Kamila%20Fernanda%20Ferreira%20da%20Cunha%20Queiroz.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/47733/5/TESE%20%20Kamila%20Fernanda%20Ferreira%20da%20Cunha%20Queiroz.pdf.jpg https://repositorio.ufpe.br/bitstream/123456789/47733/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/47733/3/license.txt |
bitstream.checksum.fl_str_mv |
4e8144f36c16343c57872d8ee9a7f08c 5f3b0b56f810e0936550616e2a85547d d5e8564d6a4d73cc93f7cea0048a1077 e39d27027a6cc9cb039ad269a5db8e34 5e89a1613ddc8510c6576f4b23a78973 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310817559871488 |