Professional Documents
Culture Documents
net/publication/327384817
CITATIONS READS
0 16
6 authors, including:
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
All content following this page was uploaded by Wellington Pinheiro Dos Santos on 02 September 2018.
Resumo— A detecção precoce do câncer de mama é methods to treat these data. Selecting attributes plays a key role
fundamental já que quanto mais cedo a doença for descoberta, in this process, as it is a way to help solving data
há uma tendência maior de haver tratamentos mais eficazes e o multidimensionality problems. This work aimed to reduce the
aumento da chance de cura. Atualmente, a mamografia é o amount of attributes from thermographic images with mammary
método de referência mundial para o diagnóstico do câncer de lesions. We used Genetic Algorithm and Particle Swarm
mama, porém este exame apresenta algumas limitações. A Optimization (PSO) to access the algorithms performance and
termografia infravermelha é uma técnica que vem sendo compare the generated subsets with the complete set of attributes.
bastante estudada devido aos seus benefícios. Os sistemas de
classificação de tumores são detalhados e complexos e de difícil Keywords—breast, thermography, attributes, Genetic
utilização pelos patologistas. Portanto, a combinação de Algorithms, Particle Swarm Optimization.
profissionais especializados com métodos de análise digital de
imagens em termografias de mama pode contribuir para a I. INTRODUÇÃO
melhoria do diagnóstico. A partir disso, áreas computacionais
têm se dedicado à pesquisa e a proposta de métodos para tratar Segundo os dados do Instituto Nacional do Câncer
esses dados. A seleção de atributos desempenha uma tarefa (INCA), o câncer de mama foi o responsável por cerca de
fundamental nesse processo, pois é uma forma de ajudar a 28% dos novos casos de câncer no último ano, sendo o
solucionar o problema de multidimensionalidade de dados. segundo tipo de câncer que mais atinge as mulheres no
Esse trabalho teve como objetivo a redução da quantidade de Brasil. Para 2018 foram estimados 59.700 casos novos da
atributos em imagens termográficas com lesões mamária doença [1]. Outro fato preocupante é o aumento da
utilizando Algoritmo Genético e Otimização por Enxame de ocorrência em mulheres jovens [2]. Esse crescimento pode
Partículas (PSO), para avaliar o desempenho dos algoritmos e ser decorrente, em parte, do aumento da incidência devido a
comparar os subconjuntos gerados com o conjunto completo uma maior exposição das mulheres a fatores de risco
de atributos. consequentes do processo de urbanização e de mudanças no
estilo de vida [3], agravados pelo envelhecimento
Palavras-chave— mama, termografia, atributos,
populacional que ocorreu no Brasil de forma intensa [4].
Algoritmos Genéticos, Otimização por Enxame de Partículas.
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
Abstract—Early detection of breast cancer is critical to
improve both treatment efficiency and chance of cure. Nowadays,
chances de cura da paciente, o que levaria a uma diminuição
mammography is the reference method for the diagnosis of na taxa de mortalidade em virtude desse tipo de câncer [2].
breast cancer around the world; however, it shows some Segundo Lessa e Marengoni [5], as chances de cura caem
limitations. Infrared thermography is a technique that is being drasticamente se a doença não for descoberta nos estágios
deeply study for its benefits. The existing tumor classification iniciais.
systems are detailed and complex and difficult to perform by Atualmente, a mamografia é o padrão ouro para o
pathologists. Therefore, combining specialized professional with
diagnóstico do câncer de mama, porém este exame apresenta
methods of digital image analysis for thermography can help to
algumas limitações como a deficiência na detecção da
improve the diagnosis. Considering this, some of the
computational areas are working on researching and creating doença no caso de mamas densas, que são mamas formadas
principalmente por tecido glandular, que é o caso da maioria
Nº de
Classificador Kernel Acurácia Kappa
TABELA II. PARÂMETROS PARA ALGORITMOS PSO Atributos
AG AGRADECIMENTOS
Geração 50 Os autores agradecem à CAPES, Coordenação de
População 30 a 60 Aperfeiçoamento de Pessoal de Nível Superior, e à FACEPE,
Taxa de Cruzamento 0,3 a 0,5
Fundação de Amparo à Ciência e Tecnologia do Estado de
Pernambuco, pelo financiamento parcial da pesquisa.
Taxa de Mutação 0,05
PSO
REFERÊNCIAS
Iterações 100 a 150
[1] Instituto Nacional de Câncer José Alencar Gomes da Silva,
População 10 a 20 “Estimativa 2018: incidência de câncer no Brasil”, Rio de Janeiro:
Peso de Inércia 0,33 Instituto Nacional de Câncer José Alencar Gomes da Silva, 2018.
Peso Individual 0,34 [2] T. B. Borchartt, A. Conci, R. C. F. Lima, R. Resmini, A. Sanchez,
“Breast thermography from an image processing viewpoint: A
Peso Social 0,33 survey”. Signal Processing, Elsevier, v. 93, n. 10, p. 2785–2803,
2013.
[3] P. Porter, “’Westernizing’ women's risks? Breast cancer in lower-
No algoritmo genético, os testes realizados com a taxa de income countries”, N Engl J Med; 358:213-6, 2008.
mutação de 0,05 obtiveram maior relevância do que com [4] C. G. Victora, M. L. Barreto, M. C. Leal, C. A. Monteiro, M. I.
taxa de mutação de 0,1. Esse resultado está de acordo com a Schmidt, J. Paim, F. I. Bastos, C. Almeida, L. Bahia, C. Travassos, M.
literatura, visto que Vellasco et al. [25] aborda em seu estudo Reichenheim, F. C. Barros, “Health conditions and health-policy
innovations in Brazil: the way forward”, Lancet; 377:2042-53, 2011.
que deve-se evitar uma taxa de mutação muito alta, uma vez
[5] V. Lessa, M. Marengoni, “Applying artificial neural network for the
que esta pode tornar a busca essencialmente aleatória, classification of breast cancer using infrared thermographic images”,
prejudicando fortemente a convergência para uma solução em: SPRINGER. International Conference on Computer Vision and
ótima. Portanto, taxas abaixo de 0,1 são mais indicadas. O Graphics, [S.l.], p. 429–438, 2016.
valor das gerações neste artigo também corrobora com a [6] A. C. Q. Leles, “Desenvolvimento de procedimento e análise de
literatura, mostrando que o valor de geração muito baixo imagens térmicas para a identificação do câncer de mama”
causa uma queda no desempenho e um valor alto faz [dissertação], Universidade Federal de Uberlândia, 2015.
necessário um tempo maior de processamento, mas fornece [7] H. M. Dourado Neto, “Segmentação e análise automática de
termogramas: um método auxiliar na detecção do câncer de mama”
uma melhor cobertura do domínio do problema, evitando a [dissertação], Universidade Federal de Pernambuco, Recife, 2014.
convergência para soluções locais. Portanto, deve-se buscar
[8] J. Keyserlingk, P. Ahlgren, E. Yu, N. Belliveau, “Infrared imaging of
um ponto de equilíbrio no que diz respeito ao tamanho the breast: Initial reappraisal using high-resolution digital
escolhido para geração. Em relação ao tamanho da technology in 100 successive cases of stage i and ii breast cancer”,
população estudos mostram que população muito pequena The Breast Journal, vol. 4, no. 4, pp. 245–251 [Online], disponível
oferece uma cobertura inferior do espaço de busca, causando em: http://dx.doi.org/10.1046/j.1524-4741.1998.440245.x , 1998.
uma queda no desempenho. Uma população suficientemente [9] F. Andrade, A. Paiva, A. Correa, “Análise de Imagens de Termografia
grande fornece uma melhor cobertura do domínio do Dinâmica para Classificação de Alterações na Mama Usando Séries
Temporais”, em: Conference on Graphics, Patterns and Images is an
problema e previne a convergência prematura para soluções international conference annually promoted by the Brazilian
locais. Entretanto, com uma grande população tornam-se Computer Society, 30. 2017, Niterói. Anais [S.l.]: Revista Elsevier de
necessários maiores recursos computacionais [25]. O número Comunicação Visual e Representação de Imagem, p. 1-4, disponível
de iterações das partículas de enxame quando alteradas em:<http://sibgrapi2017.ic.uff.br/e-
proceedings/assets/papers/wuw/wuw12.pdf>. Acesso em: 25 jun.
depois que o resultado já é encontrado foi indiferente. 2018, 2017.
É importante destacar que a relevância entre os atributos [10] J. O. Ferreira, H. C. B. Oliveira, M. R. Martinez, “Aplicação de uma
é diferente. Visto que alguns subconjuntos que possuíam metodologia computacional inteligente no diagnóstico de lesões
cancerígenas”, Revista Brasileira de Inovação Tecnológica em Saúde,
uma quantidade maior de atributos quando foram submetidos Minas Gerais, v. 2, n. 1, p.4-9, 2011.
a classificação obtiveram acurácia inferior à de subconjuntos [11] S. K. Bandyopdhyay, “Survey on segmentation methods for locating
com menos atributos. masses in a mammogram image”, em: International Journal of
Computer Applications, 9(11):25–28, 2010.
Em conformidade com outros estudos [26] [27], o
[12] H. D. Lee, “Seleção de atributos importantes para a extração de
classificador que teve melhor desempenho foi o SVM com conhecimentos de base de dados”, [tese], Curso de Ciências da
kernel polinomial de graus 4 e 5. Computação, Centro de Ciências Matemática e Computação, Usp,
São Carlos, 2005.
V. CONCLUSÃO [13] A. H. Souza, “Seleção de atributos relevantes: aplicando técnicas na
base de dados do Herbário Virtual da Flora e dos Fungos”
Neste artigo foi proposta uma abordagem baseada em [dissertação], Mestrado em Ciência e Tecnologia para Recursos
algoritmos genéticos e PSO para a redução do número de 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.