See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/327384817

Seleção de Atributos para Apoio ao Diagnóstico do Câncer de Mama Usando

Imagens Termográficas, Algoritmos Genéticos e Otimização por Enxame de
Partículas

Conference Paper · September 2018

CITATIONS READS
0 16

6 authors, including:

Maíra A. Santana Washington Wagner Azevedo

Federal University of Pernambuco Federal University of Pernambuco
6 PUBLICATIONS   6 CITATIONS    9 PUBLICATIONS   40 CITATIONS   

SEE PROFILE SEE PROFILE

Wellington Pinheiro Dos Santos Rita de Cássia Fernandes de Lima

Federal University of Pernambuco Federal University of Pernambuco
151 PUBLICATIONS   277 CITATIONS    31 PUBLICATIONS   179 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Reconstruction of electrical impedance tomography images using Sparse Sensing / Compressed Sensing and Evolutionary Computation View project

Nonlinear Signal Analysis View project

All content following this page was uploaded by Wellington Pinheiro Dos Santos on 02 September 2018.

The user has requested enhancement of the downloaded file.

 Seleção de Atributos para Apoio ao Diagnóstico do
Câncer de Mama Usando Imagens Termográficas,
Algoritmos Genéticos e Otimização por Enxame de
Partículas
Maíra A. de Santana Washington W. Azevedo
Amanda L. Rodrigues
Departamento de Engenharia Departamento de Engenharia
Departamento de Engenharia
Biomédica Biomédica
Biomédica
UFPE UFPE
UFPE
Recife, Brasil Recife, Brasil
Recife, Brasil
mairaasantana@hotmail.com waswagner@gmail.com
amanda_lays_@hotmail.com

Wellington P. dos Santos Rita C. F. de Lima

Renato S. Bezerra
Departamento de Engenharia Departamento de Engenharia
Centro de Informática
Biomédica Mecânica
UFPE
UFPE UFPE
Recife, Brasil
Recife, Brasil Recife, Brasil
rsb5@cin.ufpe.br
wellington.santos@ufpe.br ritaflima@yahoo.com.br

Resumo— A detecção precoce do câncer de mama é
fundamental já que quanto mais cedo a doença for descoberta,
há uma tendência maior de haver tratamentos mais eficazes e o
aumento da chance de cura. Atualmente, a mamografia é o
método de referência mundial 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 com métodos de análise digital de
imagens em termografias de mama pode contribuir para a
melhoria do diagnóstico. A partir disso, áreas computacionais
têm se dedicado à pesquisa e a proposta de métodos para tratar
esses dados. A seleção de atributos desempenha uma tarefa
fundamental nesse processo, pois é uma forma de ajudar a
solucionar o problema de multidimensionalidade de dados.
Esse trabalho teve como objetivo a redução da quantidade de
atributos em imagens termográficas com lesões mamária
utilizando Algoritmo Genético e Otimização por Enxame de
Partículas (PSO), para avaliar o desempenho dos algoritmos e
comparar os subconjuntos gerados com o conjunto completo
de atributos.
Palavras-chave— mama, termografia, atributos,
Algoritmos Genéticos, Otimização por Enxame de Partículas.
Abstract—Early detection of breast cancer is critical to
improve both treatment efficiency and chance of cure. Nowadays,
mammography is the reference method for the diagnosis of
breast cancer around the world; however, it shows some
limitations. Infrared thermography is a technique that is being
deeply study for its benefits. The existing tumor classification
systems are detailed and complex and difficult to perform by
pathologists. Therefore, combining specialized professional with
methods of digital image analysis for thermography can help to
improve the diagnosis. Considering this, some of the
computational areas are working on researching and creating
methods to treat these data. Selecting attributes plays a key role
in this process, as it is a way to help solving data
multidimensionality problems. This work aimed to reduce the
amount of attributes from thermographic images with mammary
lesions. We used Genetic Algorithm and Particle Swarm
Optimization (PSO) to access the algorithms performance and
compare the generated subsets with the complete set of attributes.
Keywords—breast, thermography, attributes, Genetic
Algorithms, Particle Swarm Optimization.
I. INTRODUÇÃO
Segundo os dados do Instituto Nacional do Câncer
(INCA), o câncer de mama foi o responsável por cerca de
28% dos novos casos de câncer no último ano, sendo o
segundo tipo de câncer que mais atinge as mulheres no
Brasil. Para 2018 foram estimados 59.700 casos novos da
doença [1]. Outro fato preocupante é o aumento da
ocorrência em mulheres jovens [2]. Esse crescimento pode
ser decorrente, em parte, do aumento da incidência devido a
uma maior exposição das mulheres a fatores de risco
consequentes do processo de urbanização e de mudanças no
estilo de vida [3], agravados pelo envelhecimento
populacional que ocorreu no Brasil de forma intensa [4].
Devido a este grande número de influências, 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 da paciente, o que levaria a uma diminuição
na taxa de mortalidade em virtude desse tipo de câncer [2].
Segundo Lessa e Marengoni [5], as chances de cura caem
drasticamente se a doença não for descoberta nos estágios
iniciais.
Atualmente, a mamografia é o padrão ouro para o
diagnóstico do câncer de mama, porém este exame apresenta
algumas limitações como a deficiência na detecção da
doença no caso de mamas densas, que são mamas formadas
principalmente por tecido glandular, que é o caso da maioria

II SIMPÓSIO DE INOVAÇÃO EM ENGENHARIA BIOMÉDICA ©2018 SABIO

das pacientes jovens [2], altos índices de falsos positivos e a
exposição da paciente a radiação ionizante, podendo
inclusive aumentar as chances da mulher desenvolver a
doença. Dessa forma, percebe-se a necessidade de outras
metodologias que deem suporte ao diagnóstico da doença
[6].
A termografia infravermelha (TIR) é uma técnica de
triagem não invasiva, barata e rápida que pretende registrar a
radiação emitida pela superfície da pele da paciente ao longo
de um período de tempo. As variações de temperatura do
tecido canceroso em relação ao tecido vizinho saudável se
dão pelo processo de angiogênese. Por esse processo a lesão
estimula a criação de novos vasos sanguíneos para sua
alimentação. Com mais vasos alimentando a lesão a
temperatura da região se mostra superior [7]. Kayserlingk et
al. [8] reportou em seu trabalho que a sensibilidade para a
detecção de câncer do tipo carcinoma ductal e
significantemente melhorada quando combinado o exame de
mamografia com a imagem térmica. A sensibilidade ao
combinar essas duas técnicas foi de 95% [9]. Portanto pelos
fatos expostos acima, a TIR configura-se como uma atraente
técnica de auxílio à detecção precoce do câncer de mama.
Os sistemas de classificação de tumores são detalhados e
complexos e, normalmente, de difícil utilização objetiva
pelos patologistas, oferecendo limitações no seu uso [10].
Portanto, a combinação de profissionais especializados com
métodos de análise digital de imagens aplicados às
termografias de mama pode contribuir para a melhoria do
diagnóstico, do prognóstico e do tratamento do câncer de
mama [11]. Como consequência, sistemas computacionais
inteligentes têm sido desenvolvidos como ferramenta de
apoio decisório em diferentes áreas da saúde, e podem
contribuir com patologistas para uma classificação mais
objetiva e uniforme das lesões analisadas, minimizando as
limitações de uso impostas pelos sistemas de classificação, e,
portanto, acelerando o trabalho desse profissional [10].
Esse avanço tecnológico tem contribuído para a geração e
o armazenamento de uma quantidade constantemente
crescente de dados, em uma velocidade maior da que somos
capazes de processar. A partir disso, diversas áreas têm se
dedicado à pesquisa e a proposta de métodos e processos
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, sendo frequentemente realizada como uma etapa de
pré-processamento. Seu objetivo é selecionar os atributos
mais importantes, pois os que não relevantes e/ou
redundantes podem reduzir a precisão e a
compreensibilidade das hipóteses induzidas por máquinas de
aprendizado supervisionado, elevando o custo computacional
[12] [13]. Com isso surge o seguinte problema: quantos e
quais atributos são suficientes/necessários para descrever
determinado problema? Para diversos problemas, podemos
utilizar algoritmos evolutivos para buscar a melhor solução
possível. Esse trabalho teve como objetivo avaliar o
desempenho dos subconjuntos de atributos mais relevantes,
selecionados utilizando Algoritmo Genético (AG) e
Otimização por Enxame de Partículas (PSO), no problema de
classificação de lesões mamárias em imagens termográficas.
II. REVISÃO DE LITERATURA
O trabalho de Gonçalves [28] utilizou imagens
termográficas e a classificação foi feita através de Redes
Neurais Artificiais (RNA) e Máquina de Vetores de Suporte
(SVM). O melhor resultado obtido foi 80.95% de acurácia,
83.33% de especificidade para pacientes normais, 85.71% de
especificidade para pacientes com alterações benignas e 75%
de sensibilidade.
A. Algoritmo Genético
Os algoritmos genéticos são uma classe particular de
algoritmos evolutivos que usam técnicas inspiradas pelo
princípio do Darwinismo de seleção natural e reprodução
genética. De acordo com a teoria de Darwin, o processo de
seleção permite maior longevidade aos indivíduos mais
aptos, ou seja, maior probabilidade de reprodução. Estes
indivíduos têm maior chance de perpetuar os seus códigos
genéticos para as próximas gerações. Os códigos genéticos
constituem a identidade de cada indivíduo e são
representados nos cromossomos [14]. Os AGs são
construídos imitando estes princípios, buscando a melhor
solução para um determinado problema, por meio da
evolução de conjuntos (populações) de soluções (indivíduos)
codificados como cromossomos artificiais. Cromossomo é
implementado como uma estrutura de dados para representar
uma possível solução no espaço de busca do problema.
Submete-se, então, estes cromossomos a um processo
evolucionário, constituído pela avaliação de aptidão, seleção
e operadores genéticos (crossover e mutação). Ao longo da
execução de vários ciclos deste processo a população
resultante tende a conter indivíduos cada vez mais aptos, ou
seja, soluções melhores [14]. A Fig. 1 apresenta um
fluxograma de execução de um AG, com o critério de parada
que, no caso, é o valor da aptidão máxima.
Fig. 1. Fluxograma de execução de um AG [14].
B. Algoritmo PSO
Este algoritmo foi apresentado em 1995 por Kennedy
[15]. É uma técnica que se baseia no movimento coletivo de
um grupo de partículas: o enxame de partículas. Cada
membro deste enxame é movimentado através do espaço de
busca do problema por duas forças. Uma os atrai com uma
magnitude aleatória para a melhor localização já encontrada
por ele próprio (pbest) e outra para a melhor localização
encontrada entre alguns ou todos os membros do enxame
(gbest). A posição e a velocidade de cada partícula são
atualizadas a cada iteração até todo o enxame convergir
obtendo o melhor resultado [16]. A Fig. 2 apresenta um
fluxograma de execução de um PSO.

Fig. 2. Fluxograma de execução do PSO [17].
O vetor velocidade de cada partícula deve ser atualizado
por:

Onde vik é a velocidade atual da partícula, pi é a melhor
posição encontrada pela partícula i, psk é a melhor posição
dentre todas as partículas na iteração k. w é um parâmetro
que representa a inércia da partícula e controla a sua
capacidade de exploração do espaço de soluções, de forma
que um valor alto determina uma busca global enquanto um
valor baixo determina uma busca local, usualmente estes
valores oscilam entre 0,4 e 1,4. c1 e c2 são os chamados
parâmetros de confiança e definem o quanto uma partícula
confia em si (c1) ou no bando (c2), comumente ambos
assumem o valor igual a dois. Por fim, r1 e r2 são números
aleatórios compreendidos entre zero e um [29].
III. MATERIAIS E MÉTODOS
As imagens termográficas utilizadas para a realização do
presente estudo foram adquiridas no formado JPG utilizando
uma câmera de infravermelho FLIR S45 e fornecidas pelo
grupo de pesquisa em termografia de mama do
Departamento de Engenharia Mecânica da UFPE. Para cada
paciente foram adquiridas imagens da região da mama em
oito posições distintas: duas imagens frontais de ambas as
mamas (T1 e T2) e três imagens de cada mama
isoladamente, direita e esquerda, em ângulos distintos, sendo
eles frontal (MD e ME), lateral externa (LEMD e LEME) e
lateral interna (LIMD e LIME) [18]. Essas posições são
mostradas na Fig. 3.
Fig. 3. Posições de aquisição das imagens por paciente [18].
O banco de imagens também foi organizado de acordo
com os tipos de diagnósticos, os quais foram previamente
estabelecidos baseados em métodos já consolidados, tais
como exames clínicos, biópsias, mamografias e
ultrassonografias de mama [19].
No estudo em questão, foram utilizadas imagens de
casos nos quais foram identificados cistos, lesões benignas,
lesões malignas e também imagens sem lesões. Além disso,
os experimentos foram realizados apenas com as imagens
frontais T1 e T2, pois considera-se que essas condições
favorecem a identificação da região de interesse [18]. Ao
total, 336 imagens foram utilizadas nos testes: 66 de sem
lesão, 73 de cistos, 121 de lesões benignas e 76 de lesões
malignas.
Inicialmente as imagens foram submetidas a uma etapa
de pré-processamento de conversão de RGB-JET para níveis
de cinza, com os tons mais claros indicando temperaturas
mais altas [18].
O método propõe ainda a utilização de momentos de
Haralick e momentos de Zernike como extratores de
atributos para o treinamento do conjunto de dados. Os
momentos de Haralick fornecem informações relacionadas à
textura, a partir da avaliação da probabilidade de ocorrência
das combinações entre os níveis de cinza da imagem [20]. Já
os de Zernike foram utilizados no reconhecimento de
padrões relacionados à forma [21] [18]. Tais descritores
foram escolhidos devido às suas propostas de extrair
características relacionadas à forma e à textura, visto que
tendem a ser atributos essenciais e determinantes na
diferenciação dos tipos de lesão aqui estudados (cistos,
lesões benignas e lesões malignas).
Como exposto anteriormente, a quantidade de imagens
no banco de dados utilizado é diferente para cada classe, fato
esse que pode acarretar em um resultado tendencioso durante
o treinamento, as lesões poderiam ser mais comumente
classificadas como da classe que possui mais representantes;
para evitar este problema, foi realizado o balanceamento das
classes [18].
O software utilizado foi o Weka, na versão 3.8,
motivado por ser uma ferramenta de código aberto, para
mineração de dados, de interface amigável, que agrega um
conjunto de algoritmos de classificação, regras de
associação, regressão, pré-processamento e clustering, todos
implementados em Java . Além disso, a aplicação no Weka
permite o acesso de dados oriundos de bancos de dados (via
JDBC) ou através da chamada de arquivos de dados próprios
[22]. Devido a todas essas características descritas, esta
ferramenta foi a escolhida para ser usada neste trabalho.
Primeiramente, as imagens separadas para o estudo
foram classificadas com todos os seus atributos, totalizado
numa quantidade de 169 atributos, para serem comparadas
posteriormente com a redução e classificação desses. Os
testes foram realizados de forma empírica, e exaustivamente,
com diversos valores para os parâmetros de ambos
algoritmos, a fim de analisar alterações no seu
comportamento. As Tabelas I e II mostram os parâmetros
para os AG e PSO, respectivamente.
 TABELA I. PARÂMETROS PARA ALGORITMOS GENÉTICOS IV. RESULTADOS E DISCUSSÃO
Parâmetros Valores Os três resultados mais relevantes observando a acurácia
Geração 10 a 100 e o kappa obtidos na classificação dos grupos com todos
População 10 a 100
atributos e dos subconjuntos selecionados com AG e PSO
estão exibidos nas Tabelas III, IV e V, respectivamente.
Taxa de Cruzamento 0,1 a 0,9
Taxa de Mutação 0,05 e 0,1
TABELA III. CLASSIFICAÇÃO COM TODOS OS ATRIBUTOS.
Operador de Seleção Torneio e Roleta

Nº de
Classificador Kernel Acurácia Kappa
TABELA II. PARÂMETROS PARA ALGORITMOS PSO Atributos

Parâmetros Valores SVM 4 91,115% 0,8815 169

Peso individual 0,34 SVM 3 90,809% 0,8774 169

Peso de inércia 0,33 SVM 2 89,979% 0,8664 169

Peso social 0,33

Iterações 20/50/100/150/200
TABELA IV. CLASSIFICAÇÃO COM ATRIBUTOS SELECIONADOS PELO AG.
População 10 a 100
Nº de
Classificador Kernel Acurácia Kappa
Atributos
Como citado anteriormente, os parâmetros foram SVM 5 87,082 % 0,82775 57
definidos empiricamente, porém foram tomados como base SVM 5 86,883 % 0.8251 66
na literatura valores mínimos e máximos a serem utilizados. SVM 4 84,504% 0.8251 79
O operador de mutação fornece ao algoritmo um
comportamento exploratório, já que o induz a buscar novos
pontos no espaço de busca, então se um algoritmo genético
TABELA V. CLASSIFICAÇÃO COM ATRIBUTOS SELECIONADOS PELO PSO.
fosse desenvolvido baseando-se apenas em seleção e
cruzamento, o sistema iria convergir prematuramente, já que Nº de
Classificador Kernel Acurácia Kappa
o operador de cruzamento gera novos indivíduos de forma Atributos
muito limitada após algumas gerações. Por isso, a mutação é SVM 5 86,157 % 0,8154 59
essencial para manter a diversidade e renovar o material
genético. Como a mutação altera a estrutura do cromossomo SVM 5 84,504% 0,7934 56
criando indivíduos com propriedades diferentes daquelas SVM 5 83,884% 0,7851 49
encontradas na maior parte da população, este evita que o
modelo fique preso a um ótimo local. Por ser uma mudança
extremamente agressiva e, até certo ponto, imprevisível A partir desses resultados, foi feita uma média da
quanto aos resultados, a taxa de aplicação deste operador é acurácia dos três grupos, nos quais foram compilados no
normalmente muito baixa [23]. Em relação ao algoritmo gráfico da Fig. 4, para melhor visualização.
PSO, os valores dos pesos não foram alterados devido ao
próprio Weka não permitir modificações.
Por fim, os subconjuntos de atributos gerados foram
submetidos a testes com diversos classificadores, para
analisar seu desempenho comparando-os com o conjunto de
atributos completos. Tal análise foi feita através da acurácia
e índice kappa, pois esses fatores são essenciais para a
análise da qualidade da classificação.
Os classificadores utilizados foram BayesNet, Naive
Bayes e Multilayer Perceptron (MLP) nos quais foram
variados os números de camadas intermediarias em: zero,
uma e duas camadas escondidas na qual cada uma possuía
100 neurônios. Além desses, foram também testados os
classificadores Máquina de Vetor de Suporte (SVM),
variando o kernel (núcleo) entre polinomial (grau de 1 a 9) e
RBF, J48, Random Tree e Random Forest. Todos os testes
foram realizados utilizando o método k-fold para validação
cruzada com 10 folds.
Fig. 4. Média das acurácias.
Posteriormente, foram selecionados os três melhores
resultados do grupo com todos os atributos e da seleção feita
com o AG e a PSO. Como pode ser observado, foi conseguida uma redução
de aproximadamente 70% do número de atributos. Nesse
sentido, o algoritmo genético se mostrou um pouco mais
eficiente quando comparado ao PSO, o que contradiz o
observado na literatura [24]. Porém, de acordo com Silva
Neto [26], em seu estudo realizado apenas com o PSO na
detecção de massas em imagens mamográficas, o algoritmo
obteve um desempenho positivo.
Os resultados previamente apresentados foram obtidos
quando os parâmetros foram configurados como descrito na
Tabela VI.
TABELA VI. PARÂMETROS CONFIGURADOS PARA OS RESULTADOS
OBTIDOS.
AG
Geração 50
População 30 a 60
Taxa de Cruzamento 0,3 a 0,5
Taxa de Mutação 0,05
PSO
Iterações 100 a 150
População 10 a 20
Peso de Inércia 0,33
Peso Individual 0,34
Peso Social 0,33
No algoritmo genético, os testes realizados com a taxa de
mutação de 0,05 obtiveram maior relevância do que com
taxa de mutação de 0,1. Esse resultado está de acordo com a
literatura, visto que Vellasco et al. [25] aborda em seu estudo
que deve-se evitar uma taxa de mutação muito alta, uma vez
que esta pode tornar a busca essencialmente aleatória,
prejudicando fortemente a convergência para uma solução
ótima. Portanto, taxas abaixo de 0,1 são mais indicadas. O
valor das gerações neste artigo também corrobora com a
literatura, mostrando que o valor de geração muito baixo
causa uma queda no desempenho e um valor alto faz
necessário um tempo maior de processamento, mas fornece
uma melhor cobertura do domínio do problema, evitando a
convergência para soluções locais. Portanto, deve-se buscar
um ponto de equilíbrio no que diz respeito ao tamanho
escolhido para geração. Em relação ao tamanho da
população estudos mostram que população muito pequena
oferece uma cobertura inferior do espaço de busca, causando
uma queda no desempenho. Uma população suficientemente
grande fornece uma melhor cobertura do domínio do
problema e previne a convergência prematura para soluções
locais. Entretanto, com uma grande população tornam-se
necessários maiores recursos computacionais [25]. O número
de iterações das partículas de enxame quando alteradas
depois que o resultado já é encontrado foi indiferente.
É importante destacar que a relevância entre os atributos
é diferente. Visto que alguns subconjuntos que possuíam
uma quantidade maior de atributos quando foram submetidos
a classificação obtiveram acurácia inferior à de subconjuntos
com menos atributos.
Em conformidade com outros estudos [26] [27], o
classificador que teve melhor desempenho foi o SVM com
kernel polinomial de graus 4 e 5.
V. CONCLUSÃO
Neste artigo foi proposta uma abordagem baseada em
algoritmos genéticos e PSO para a redução do número de
atributos utilizados na classificação de lesões mamárias em
imagens termográficas. Os resultados mostraram que a nossa
abordagem foi positiva, a qual foi evidenciada por uma
significativa redução na quantidade de atributos sem
diminuição considerável na acurácia em relação a
classificação com todos os atributos. Porém, devem ser
realizados testes futuros para aumentar a acurácia, pois trata-
se de aplicação em seres humanos. Como trabalho futuro,
planeja-se explorar abordagens mais novas para extração de
características, como Autoencoders e Redes Convolutivas.
AGRADECIMENTOS
Os autores agradecem à CAPES, Coordenação de
Aperfeiçoamento de Pessoal de Nível Superior, e à FACEPE,
Fundação de Amparo à Ciência e Tecnologia do Estado de
Pernambuco, pelo financiamento parcial da pesquisa.
REFERÊNCIAS
[1] Instituto Nacional de Câncer José Alencar Gomes da Silva,
“Estimativa 2018: incidência de câncer no Brasil”, Rio de Janeiro:
Instituto Nacional de Câncer José Alencar Gomes da Silva, 2018.
[2] T. B. Borchartt, A. Conci, R. C. F. Lima, R. Resmini, A. Sanchez,
“Breast thermography from an image processing viewpoint: A
survey”. Signal Processing, Elsevier, v. 93, n. 10, p. 2785–2803,
2013.
[3] P. Porter, “’Westernizing’ women's risks? Breast cancer in lower-
income countries”, N Engl J Med; 358:213-6, 2008.
[4] C. G. Victora, M. L. Barreto, M. C. Leal, C. A. Monteiro, M. I.
Schmidt, J. Paim, F. I. Bastos, C. Almeida, L. Bahia, C. Travassos, M.
Reichenheim, F. C. Barros, “Health conditions and health-policy
innovations in Brazil: the way forward”, Lancet; 377:2042-53, 2011.
[5] V. Lessa, M. Marengoni, “Applying artificial neural network for the
classification of breast cancer using infrared thermographic images”,
em: SPRINGER. International Conference on Computer Vision and
Graphics, [S.l.], p. 429–438, 2016.
[6] A. C. Q. Leles, “Desenvolvimento de procedimento e análise de
imagens térmicas para a identificação do câncer de mama”
[dissertação], Universidade Federal de Uberlândia, 2015.
[7] H. M. Dourado Neto, “Segmentação e análise automática de
termogramas: um método auxiliar na detecção do câncer de mama”
[dissertação], Universidade Federal de Pernambuco, Recife, 2014.
[8] J. Keyserlingk, P. Ahlgren, E. Yu, N. Belliveau, “Infrared imaging of
the breast: Initial reappraisal using high-resolution digital
technology in 100 successive cases of stage i and ii breast cancer”,
The Breast Journal, vol. 4, no. 4, pp. 245–251 [Online], disponível
em: http://dx.doi.org/10.1046/j.1524-4741.1998.440245.x , 1998.
[9] F. Andrade, A. Paiva, A. Correa, “Análise de Imagens de Termografia
Dinâmica para Classificação de Alterações na Mama Usando Séries
Temporais”, em: Conference on Graphics, Patterns and Images is an
international conference annually promoted by the Brazilian
Computer Society, 30. 2017, Niterói. Anais [S.l.]: Revista Elsevier de
Comunicação Visual e Representação de Imagem, p. 1-4, disponível
em:<http://sibgrapi2017.ic.uff.br/e-
proceedings/assets/papers/wuw/wuw12.pdf>. Acesso em: 25 jun.
2018, 2017.
[10] J. O. Ferreira, H. C. B. Oliveira, M. R. Martinez, “Aplicação de uma
metodologia computacional inteligente no diagnóstico de lesões
cancerígenas”, Revista Brasileira de Inovação Tecnológica em Saúde,
Minas Gerais, v. 2, n. 1, p.4-9, 2011.
[11] S. K. Bandyopdhyay, “Survey on segmentation methods for locating
masses in a mammogram image”, em: International Journal of
Computer Applications, 9(11):25–28, 2010.
[12] H. D. Lee, “Seleção de atributos importantes para a extração de
conhecimentos de base de dados”, [tese], Curso de Ciências da
Computação, Centro de Ciências Matemática e Computação, Usp,
São Carlos, 2005.
[13] A. H. Souza, “Seleção de atributos relevantes: aplicando técnicas na
base de dados do Herbário Virtual da Flora e dos Fungos”
[dissertação], Mestrado em Ciência e Tecnologia para Recursos
Amazônicos, Universidade Federal do Amazonas, Itacoatiara, 2017.
[14] E. H. H. Kalfels, “Algoritmos genéticos como uma abordagem para a
alocação de grade de horários da UFSC”. [trabalho de conclusão de
curso – Graduação], Curso de Sistemas de Informação, Departamento
de Informática e Estatística, Universidade Federal de Santa Catarina,
Florianópolis, disponível em:
https://repositorio.ufsc.br/xmlui/bitstream/handle/123456789/177693/
TCC_Final.pdf?sequence=1&isAllowed=y, Acesso em: 26 jun. 2018,
2017.
[15] J. Kennedy, R. C. Eberhart, “Particle swarm optimization”, em: IEEE
International Conference On Neural Networks, Perth, Austrália,
Proceedings Perth: IEEE, 1995. p. 1942-1948, 1995.
[16] F. A. F. Nascimento, A. N. Dias, A. Figueiredo Filho, J. E. Arce, G.
M. Miranda, “Uso da Meta-Heurística otimização por exame de
partículas no planejamento Florestal”. Scientia Forestalis, Piracicaba,
v. 40, n. 96, p. 557-565, dez. 2012.
[17] N. G. Menezes, “Síntese Topológica Evolucionária e Otimização
Numérica de Parâmetros em Estrutura CMOS” [dissertação],
Engenharia Elétrica, COPPE/UFRJ, Rio de Janeiro, 59 p., 2007.
[18] M. Santana, J. Pereira, N. Lima, F. Sousa, R. de Lima, W. Santos,
“Classificação de lesões em imagens frontais de termografia de mama
a partir de sistema inteligente de suporte ao diagnóstico”, 2017.
[19] H. M. Dourado Neto, “Segmentação e análise automática de
termogramas: um método auxiliar na detecção do câncer de mama”
[dissertação]. Recife: Universidade Federal de Pernambuco; 2014.
[20] L. F. Oliveira, A. L. M. Narloch, D. M. Kist, M. P. Soares Filho, G.
E. Meneghello, G. G. H. Cavalheiro, M. A. A. Tillmann, “Extração de
Características de Forma utilizando matriz de co-ocorrência e
Atributos de Haralick”. Curitiba, Paraná, 2012.
[21] J. C. Felipe, J. B. Olioti, A. J. M. Traina, “Discriminação de Aspectos
Malignos em Massas Tumorais de Mamografias Usando
Características de Forma das Imagens”, São Paulo, 2005.
[22] I. H. Witten, E. Frank, “Data Mining: Practical machine learning
tools and techniques”, 2a edição, Morgan Kaufmann, São Francisco,
2005.
[23] D. M. Dias, “Aplicação de Algoritmos Genéticos no Scheduling
Automático e Otimizado do Petróleo em Refinarias” [Relatório de
Estudo Orientado], PUC-Rio, Departamento de Engenharia Elétrica,
2006.
[24] Y. Tavares, N. Nedjah, L. M. Mourelle, "Utilização de otimização por
enxame de partículas e algoritmos genéticos em rastreamento de
padrões", 12º Congresso Brasileiro de Inteligência Computacional,
2015.
[25] P. C. G. S. Velasco, L. R. O. de Lima, S. A. L. de Andrade, M. M. B.
R. Vellasco, L. A. P. S. da Silva, “Modelagem de Estrutura de Aço e
Mistas”, Rio de Janeiro: Elsevier, 352 p, doi:
https://doi.org/10.1016/B978-85-352-7197-3.00010-8, 2014.
[26] O. P. Silva Neto, “Detecção automática de massas em imagens
mamográficas usando particle swarm optmization (PSO) e índice de
diversidade funcional” [dissertação], Curso de Ciências da
Computação, Centro de Ciências Exatas e Tecnologia, Universidade
Federal do Maranhão, Maranhão, disponível em:
<https://tedebc.ufma.br/jspui/bitstream/tede/298/1/Dissertacao-
OtilioPauloSilva.pdf>. Acesso em: 27 jun. 2018, 2016.
[27] A. O. Carvalho Filho, W. B. de Sampaio, A. C. Silva, A. C. de Paiva,
R. A. Nunes, M. Gattass, “Automatic detection of solitary lung
nodules using quality threshold clustering, genetic algorithm and
diversity index”, Artif. Intell., Med., 60, 165–177, 2014.
[28] C. B. Gonçalves, “Detecção de câncer de mama utilizando imagens
termográficas” [Trabalho de Conclusão de Curso – Graduação], Curso
de Ciências da Computação, Universidade Federal de Uberlândia,
Uberlândia, 2017.
[29] A. V. Siciliano, “Algoritmos Genéticos e Particle Swarm
Optimization e suas aplicações problemas de Guerra Eletrônica”,
Anais do IX Simpósio de Guerra Eletrônica, Diretoria de Sistemas de
Armas da Marinha DSAM, disponível em:
<http://www.sige.ita.br/anais/IXSIGE/Artigos/GE_56.pdf>. Acesso
em: 30 jul. 2018, 2007.

View publication stats