Máquinas morfológicas de aprendizado extremo aplicadas à detecção e classificação de lesões em mamografias

• Main Author: SILVA, Washington Wagner Azevedo da
• Other Authors: http://lattes.cnpq.br/8983932189780223
• Language: Portuguese
• Published: Universidade Federal de Pernambuco 2018
• Subjects: Inteligência artificial; Mamografia digital; Câncer de mama
• Online Access: https://repositorio.ufpe.br/handle/123456789/26792

Submitted by Pedro Barros ([e-mail]) on 2018-09-20T21:19:15Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Washington Wagner Azevedo da Silva.pdf: 5812722 bytes, checksum: d0703470fadd9897e68f897694b08121 (MD5) === Approved for entry into archive by Alice Araujo ([e-mail]) on 2018-09-21T18:23:48Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Washington Wagner Azevedo da Silva.pdf: 5812722 bytes, checksum: d0703470fadd9897e68f897694b08121 (MD5) === Made available in DSpace on 2018-09-21T18:23:48Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Washington Wagner Azevedo da Silva.pdf: 5812722 bytes, checksum: d0703470fadd9897e68f897694b08121 (MD5) Previous issue date: 2017-03-15 === CAPES === De acordo com a Organização Mundial de Saúde, o câncer de mama é a forma mais comum de câncer entre as mulheres adultas em todo o mundo, sendo um dos tipos de câncer mais fatal. Estudos mostram que a disponibilização de diagnóstico precoce pode contribuir para a redução das taxas de mortalidade e aumentar as opções de tratamento. Diagnósticos assistidos por computador (Computer Aided Detection/Diagnosis) estão sendo propostos e usados visando auxiliar os profissionais da área de saúde. Morfologia Matemática é uma teoria de processamento não linear amplamente utilizada no processamento de imagens digitais. É baseada na teoria matemática da intersecção e união de conjuntos. Máquinas de Aprendizado Extremo (Extreme Learning Machines, ELMs) são máquinas de aprendizado compostas por pelo menos uma camada escondida, com nodos com kernels configuráveis e pesos aleatórios, e uma camada de saída, composta por nodos com kernels lineares cujos pesos são ajustados de forma não iterativa, por meio da pseudoinversa de Moore-Penrose. Neste trabalho são propostas as Máquinas Morfológicas de Aprendizado Extremo (Morphological Extreme Learning Machines, mELMs), ou seja, ELMs com neurônios na camada escondida baseados nos operadores morfológicos não lineares básicos de erosão e dilatação. O método proposto foi avaliado uilizando 2.796 imagens de mamografias da base de dados IRMA (Image Retrieval in Medical Applications). Através dos experimentos realizados foi verificado que as mELMs de erosão e dilatação, no que concerne à acurácia e ao índice kappa, apresentaram desempenho de classificação equivalente ou superior, quando comparados com os resultados obtidos pelos classificadores clássicos do estado da arte. A base de dados IRMA é dividida em quatro tipos de tecidos (adiposo, fibroso, heterogeneamente denso e extremamente denso). Foram realizados experimentos com cada tipo de tecido e com toda a base de dados. Os atributos foram extraídos usando momentos de Haralick e Wavelets. === According to the World Health Organization, breast cancer is the most common form of cancer among adult women worldwide, being one of the most fatal types of cancer. Studies show that providing early diagnosis can contribute to a reduction in mortality rates and increase as treatment options. Computer Assisted Diagnostics are being proposed and used in the health area. Mathematical Morphology is a nonlinear theory widely used in the processing of digital images. It is a based on the mathematical theory of intersection and union of sets. Extreme Learning Machines (ELMs) are learning machines composed of at least one hidden layer, with nodes with configurable kernels and random weights, and an output layer composed of nodes with linear kernels whose weights are adjusted in a non-iterative way, by means of the Moore-Penrose's pseudoinverse. In this work are proposed as Morphological Machines of Extreme Learning (mELMs), that is, ELMs with neurons in the hidden layer based on the basic non-linear morphological operators of erosion and dilation. The proposed method was evaluated using 2,796 mammography images from the IRMA database (Image Recovery in Medical Applications). Through experiments carried out with verified that as mELMs of erosion and dilatation, we presented performance of equivalent or superior classification, when compared with the results obtained by classifiers classic of the state of the art. An IRMA database is divided into four tissue types (adipose, fibrous, heterogeneously dense and dense extremity). Experiments were performed with each type of tissue and with all database. The attributes were extracted using moments from Haralick and Wavelets.