Modelos de Aprendizado de Máquina na Detecção de Câncer de Mama Utilizando Características GLCM e de Primeira Ordem
DOI:
https://doi.org/10.14295/vetor.v34i2.18067Palavras-chave:
Características de primeira ordem, Matriz de co-ocorrência de níveis de cinza, Aprendizado de máquina, Detecção de câncer de mamaResumo
Entre as mulheres, o câncer de mama é um dos tipos de câncer com maior incidência e letalidade no mundo. Apesar da alta taxa de letalidade, o câncer de mama tem alta porcentagem de cura e diagnósticos favoráveis quando diagnosticado em estágios iniciais. A mamografia é considerada o melhor método de detecção, contudo, suas imagens são complexas, o que torna a análise diagnóstica suscetível a erros. Uma das formas de reduzir os erros é o uso de métodos computadorizados para auxílio ao diagnóstico. Com o objetivo de contribuir para o diagnóstico preciso desta doença, neste trabalho, comparamos três modelos de aprendizado de máquina na detecção de câncer de mama usando o banco de imagens de mamografia MIAS, a partir de características extraídas da matriz de co-ocorrência de níveis de cinza (GLCM) e de primeira ordem. Os modelos avaliados são o K-Nearest neighbor (KNN), random forest e XGBoost. Os resultados mostram que os modelos testados não obtiveram resultados com alto grau de precisão. Entre os modelos avaliados, o XGBoost obteve o melhor resultado de detecção.
Downloads
Referências
I. C. B. Ohl, R. I. B. Ohl, S. R. R. Chavaglia, e R. E. Goldman, “Public actions for control of breast cancer in Brazil: integrative review,” Revista Brasileira de Enfermagem, vol. 69, no. 4, pp. 793–803, 2016. Disponível em: https://doi.org/10.1590/0034-7167.2016690424i
P. A. da Silva e S. da S. Riul, “Breast cancer: risk factors and early detection,” Revista Brasileira de Enfermagem, vol. 64, no. 6, pp. 1016–1021, 2011. Disponível em: https://doi.org/10.1590/S0034-71672011000600005
B. R. N. Matheus, “BancoWeb: base de imagens mamográficas para auxílio em avaliações de esquemas CAD,” Dissertação de Mestrado, Mestrado em Processamento de Sinais e Instrumentação, Universidade de São Paulo, São Carlos, 2010.
M. K. Santos, J. R. Ferreira Júnior, D. T. Wada, A. P. M. Tenório, M. H. N. Barbosa, e P. M. A. Marques, “Artificial intelligence, machine learning, computer-aided diagnosis, and radiomics: Advances in imaging towards to precision medicine,” Radiologia Brasileira, vol. 52, no. 6, pp. 387–396, 2019. Disponível em: https://doi.org/10.1590/0100-3984.2019.0049
C. Irawan, E. N. Ardyastiti, D. R. I. M. Setiadi, E. H. Rachmawanto, e C. A. Sari, “A survey: Effect of the number of GLCM features on classification accuracy of lasem batik images using K-nearest neighbor,” em 2018 International Seminar on Research of Information Technology and Intelligent Systems (ISRITI), Yogyakarta, Indonesia: IEEE, 2018, pp. 33–38. Disponível em: https://doi.org/10.1109/ISRITI.2018.8864443
Ş. Öztürk e B. Akdemir, “Application of Feature Extraction and Classification Methods for Histopathological Image using GLCM, LBP, LBGLCM, GLRLM and SFTA,” Procedia Computer Science, vol. 132, pp. 40–46, 2018. Disponível em: https://doi.org/10.1016/j.procs.2018.05.057
A. K. Aggarwal, “Learning Texture Features from GLCM for Classification of Brain Tumor MRI Images using Random Forest Classifier,” WSEAS Transactions on Signal Processing, vol. 18, pp. 60–63, 2022. Disponível em: https://doi.org/10.37394/232014.2022.18.8
V. P. Singh, A. Srivastava, D. Kulshreshtha, A. Chaudhary, e R. Srivastava, “Mammogram Classification Using Selected GLCM Features and Random Forest Classifier,” International Journal of Computer Science and Information Security , vol. 14, no. 6, pp. 82–87, 2016. Disponível em: https://sites.google.com/site/ijcsis/
R. A. N. Diaz, N. N. T. Swandewi, e K. D. P. Novianti, “Malignancy Determination Breast Cancer Based on Mammogram Image with K-Nearest Neighbor,” em 2019 1st International Conference on Cybernetics and Intelligent System (ICORIS), Denpasar, Indonesia: IEEE, 2019, pp. 233–237. Disponível em: https://doi.org/10.1109/ICORIS.2019.8874873
T. T. Htay e S. S. Maung, “Early Stage Breast Cancer Detection System using GLCM feature extraction and K-Nearest Neighbor (k-NN) on Mammography image,” em 18th International Symposium on Communications and Information Technologies, Bangkok, Thailand: IEEE, pp. 171–175, 2018. Disponível em: https://doi.org/10.1109/ISCIT.2018.8587920
B. S. V, “Grey Level Co-Occurrence Matrices: Generalisation and Some New Features,” International Journal of Computer Science, Engineering and Information Technology, vol. 2, no. 2, pp. 151–157, 2012. Disponível em: https://doi.org/10.5121/ijcseit.2012.2213
P. K. Mall, P. K. Singh, e D. Yadav, “GLCM based feature extraction and medical X-RAY image classification using machine learning techniques,” em 2019 IEEE Conference on Information and Communication Technology, Allahabad, India: IEEE, 2019, pp. 1–6. Disponível em: https://doi.org/10.1109/CICT48419.2019.9066263
Z. Abbas, M. U. Rehman, S. Najam, e S. M. Danish Rizvi, “An Efficient Gray-Level Co-Occurrence Matrix (GLCM) based Approach Towards Classification of Skin Lesion,” 2019 Amity International Conference on Artificial Intelligence, Dubai, United Arab Emirates: IEEE, 2019, pp. 317–320. Disponível em: https://doi.org/10.1109/AICAI.2019.8701374
L. K. Kumari e B. N. Jagadesh, “A Robust Feature Extraction Technique for Breast Cancer Detection using Digital Mammograms based on Advanced GLCM Approach,” EAI Endorsed Transactions on Pervasive Health and Technology, vol. 8, no. 30, p. e3, 2022. Disponível em: https://doi.org/10.4108/eai.11-1-2022.172813
K. C. Tatikonda, C. M. Bhuma, e S. K. Samayamantula, “The Analysis of Digital Mammograms Using HOG and GLCM Features,” 2018 9th International Conference on Computing, Communication and Networking Technologies, Bengaluru, India: IEEE, 2018, pp. 1–7. Disponível em: https://doi.org/10.1109/ICCCNT.2018.8493809
M. Pratiwi, Alexander, J. Harefa, e S. Nanda, “Mammograms Classification Using Gray-level Co-occurrence Matrix and Radial Basis Function Neural Network,” Procedia Computer Science, vol. 59, p. 83–91, 2015. Disponível em: https://doi.org/10.1016/j.procs.2015.07.340
Downloads
Publicado
Como Citar
Edição
Seção
