Depois de selecionados os subconjuntos de atributos, os classificadores devem ser avaliados quanto ao desempenho, utilizando-se como medida a acurácia, o índice kappa e a matriz de confusão. Diversos classificadores podem ser utilizados para testar os conjuntos de atributos selecionados por algoritmos. A Figura 18 demonstra alguns destes classificadores clássicos, já consolidados e testados em diversos problemas de reconhecimento de padrões (TAN; STEINBACH; KUMAR,2006).
Em ferramentas automáticas que executam a análise de imagens de lesões ma- márias, foi observada uma maior utilização de quatro tipos de classificadores, sendo eles: análise discriminante linear, árvores de decisão, máquinas de vetores de suporte e redes neurais artificiais (ALBONICO,2017). De acordo comCheng et al.(2010), estas ferramen- tas são utilizadas principalmente devido à grande simplicidade de implementação e na obtenção de bons resultados. Entretanto, o desempenho dos classificadores está conectado principalmente com a natureza do banco de dados utilizados e não tão conectadas com os princípios das técnicas de classificação (EBERHART; SHI,2007). A Figura19resume as principais vantagens e desvantagens destes classificadores (ALBONICO,2017).
Capítulo 4. Metodologia 41
Figura 18 – Principais grupos de classificadores
Fonte:Santana et al.(2018)
Figura 19 – Principais vantagens e desvantagens dos classificadores
Fonte:Albonico(2017)
Diante do exposto, os classificadores utilizados nesta pesquisa foram: NaiveBayes, BayesNet, uma rede neural do tipo Multilayer Perceptron (MLP), máquinas de vetor de suporte (SVM) e árvores de decisão. Todos os classificadores citados foram utilizados na forma padrão que o software apresenta, exceto o MLP e o SVM. Para o MLP foram realizados testes sem camadas escondidas, com uma camada escondida e duas camadas escondidas, na qual cada camada possuía 100 neurônios. Com relação ao método SVM, o expoente da função kernel foi variado do 1 ao 9 e também foram realizados testes com kernel RBF. Por fim, as árvores de decisão utilizadas foram o J48, Random Tree e Random Forest. Nos experimentos realizados, os algoritmos foram executados 30 vezes nos subconjuntos selecionados, usando a técnica de validação cruzada com 10 folds.
42
5 Resultados e Discussão
Neste capítulo são exibidos os resultados utilizando os métodos descritos no ca- pítulo anterior, nas etapas de seleção de atributos, classificação e avaliação. As etapas relacionadas com o pré-processamento, a segmentação e a extração de atributos foram realizadas em trabalhos passados.
Tendo em vista que foi realizada uma quantidade expressiva de testes, neste trabalho serão apresentados apenas os cincos resultados mais relevantes de cada grupo de teste. Serão expostos no Apêndice A os resultados descritos aqui, com todos os classificadores utilizados. Todos os testes feitos serão disponibilizados em um documento externo, na forma de um relatório técnico.
As Tabelas4,5e6apresentam os resultados descritos acima com todos atributos e subconjuntos selecionados com AG e PSO, respectivamente. A melhor acurácia e o melhor índice kappa foram tomados como base para a seleção dos resultados. Acurácia é uma medida de avaliação do desempenho de um modelo de classificação, que mede a taxa de acerto global, ou seja, o número de classificações corretas dividido pelo número total de instâncias a serem classificadas (OLIVEIRA-JÚNIOR et al.,2017). O coeficiente de concordância de Kappa é utilizado para descrever a concordância entre duas ou mais classes quando realizam uma avaliação de uma mesma amostra (LANDIS; KOCH,1977).
Tabela 4 – Classificação com todos os atributos
Fonte: A Autora
Diante do exposto, nota-se uma redução significativa no número de atributos, en- quanto que não houve uma redução expressiva na acurácia, permanecendo em níveis similares aos obtidos com o uso de todos os atributos. O algoritmo genético se mostrou um pouco mais eficiente quando comparado ao PSO. Este fato não foi observado no estudo de
Tavares, Nedjah e Mourelle(2015), no qual o PSO obteve melhor desempenho. Entretanto, na pesquisa de (SILVA-NETO, 2016), realizada apenas com o PSO para detecção de massas em imagens mamográficas, afirmou-se que o algoritmo obteve um desempenho
Capítulo 5. Resultados e Discussão 43
Tabela 5 – Classificação com subconjuntos de atributos selecionados com AG
Fonte: A Autora
Tabela 6 – Classificação com subconjuntos de atributos selecionados com PSO
Fonte: A Autora positivo.
Como foi dito anteriormente, pode-se acreditar que quanto maior o número de atri- butos em um conjunto de dados, maior o poder discriminatório e, consequentemente, maior a acurácia do classificador, entretanto na prática esse comportamento não é verdadeiro (KOLLER; SAHAMI, 1996). Os testes mostraram uma acurácia maior em subconjuntos com menos atributos. Uma grande quantidade de atributos insignificantes pode fazer com que os algoritmos de aprendizagem tenham dificuldade em extrair informações que sejam realmente necessárias e relevantes para classificação. Além do mais, diversas pesquisas nessa área apontam que um número de atributos desnecessários pode introduzir ruídos nos dados, confundindo o algoritmo de aprendizagem e ocasionando erros na classificação (LIU; MOTODA,1998).
O valor do coeficiente de concordância de Kappa pode variar de 0 a 1. Quanto mais próximo de 1 for seu valor, maior será a concordância entre as classes e quanto mais próximo de zero, maior é o indicativo de que a concordância é aleatória. De acordo comLandis e Koch (1977), quando o Kappa varia entre 0,61 e 1, significa que a concordância é forte. Em conformidade com a acurácia e o índice kappa, os resultados de um classificador podem ser representados por uma matriz de confusão, a qual mostra diretamente a quantidade de predições corretas e incorretas que o classificador executou (FAWCETT,2006).
Nas Tabelas7e8estão apresentados os valores utilizados nos parâmetros do AG e PSO, respectivamente.
Capítulo 5. Resultados e Discussão 44
Tabela 7 – Parâmetros utilizados no AG
Fonte: A Autora
Tabela 8 – Parâmetros utilizados no PSO
Fonte: A Autora
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 queChambers(2019) aborda em seu estudo que deve ser evitada 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 (CHAMBERS,2019).
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 (CHAMBERS,2019).
Entre todos os classificadores testados, o SVM obteve o melhor desempenho. Este fato entra em concordância com os estudos deGonçalves(2017),Borchartt et al.(2013),
Capítulo 5. Resultados e Discussão 45
testados, foram gerados gráficos BloxPlots para avaliar a distribuição dos dados. Os gráficos das Figuras20,21e22mostram os bloxplots das melhores classificações com todos os atributos, com os subconjuntos selecionados com AG e PSO, respectivamente.
Figura 20 – Bloxplots das classificações com todos os atributos
Fonte: A Autora
Figura 21 – Bloxplots das classificações dos subconjuntos selecionados com AG
Fonte: A Autora
Nas Figuras23,24e25estão compiladas as matrizes de confusão dos melhores resultados de cada grupo. Ao lado direito da matriz, encontram-se as classes que foram
Capítulo 5. Resultados e Discussão 46
Figura 22 – Bloxplots das classificações dos subconjuntos selecionados com PSO
Fonte: A Autora
classificadas e cada uma delas é representada por uma letra. O lado esquerdo indica a classificação das instâncias propriamente dita.
Figura 23 – Matriz de confusão da classificação com todos atributos
Fonte: A Autora
Figura 24 – Matriz de confusão da classificação com atributos selecionados com AG
Fonte: A Autora
Capítulo 5. Resultados e Discussão 47
Figura 25 – Matriz de confusão da classificação com atributos selecionados com PSO
Fonte: A Autora
que 7 foram classificadas incorretamente como lesão benigna, 2 como lesão maligna e 1 como sem lesão;
• Classe de lesão benigna: 199 instâncias foram classificadas corretamente como lesão benigna, enquanto 25 foram classificadas incorretamente como cisto, 14 como lesão maligna e 4 sem lesão;
• Classe de lesão maligna: 225 instâncias foram classificadas corretamente como lesão maligna, enquanto 4 foram classificadas incorretamente como cisto, 9 como lesão benigna e 4 sem lesão;
• Classe sem lesão: 226 instâncias foram classificadas corretamente sem lesão, en- quanto 8 foram classificadas incorretamente como cisto, 6 como lesão benigna, 2 como lesão maligna.
• Classe de Cisto: 225 instâncias foram classificadas corretamente como cisto, enquanto que 8 foram classificadas incorretamente como lesão benigna, 6 como lesão maligna e 3 como sem lesão;
• Classe de lesão benigna: 187 instâncias foram classificadas corretamente como lesão benigna, enquanto 23 foram classificadas incorretamente como cisto, 17 como lesão maligna e 15 sem lesão;
• Classe de lesão maligna: 210 instâncias foram classificadas corretamente como lesão maligna, enquanto 11 foram classificadas incorretamente como cisto, 14 como lesão benigna e 7 sem lesão;
• Classe sem lesão: 221 instâncias foram classificadas corretamente sem lesão, en- quanto 6 foram classificadas incorretamente como cisto, 7 como lesão benigna, 8 como lesão maligna.
• Classe de Cisto: 222 instâncias foram classificadas corretamente como cisto, enquanto que 8 foram classificadas incorretamente como lesão benigna, 6 como lesão maligna e 6 como sem lesão;
Capítulo 5. Resultados e Discussão 48
• Classe de lesão benigna: 186 instâncias foram classificadas corretamente como lesão benigna, enquanto 24 foram classificadas incorretamente como cisto, 19 como lesão maligna e 13 sem lesão;
• Classe de lesão maligna: 207 instâncias foram classificadas corretamente como lesão maligna, enquanto 11 foram classificadas incorretamente como cisto, 20 como lesão benigna e 4 sem lesão;
• Classe sem lesão: 219 instâncias foram classificadas corretamente sem lesão, en- quanto 9 foram classificadas incorretamente como cisto, 11 como lesão benigna, 3 como lesão maligna.
Na Tabela9são apresentadas as classificações corretas e incorretas das instâncias de cada grupo de teste.
Tabela 9 – Classificação das instâncias
Fonte: A Autora
O banco de dados é composto por um total de 968 instâncias. Com a redução dos atributos, não houve uma redução significativa na correta classificação das instâncias, quando comparada com os testes realizados com todos os atributos.
49
6 Conclusão e Trabalhos Futuros
Com base nos resultados alcançados no presente trabalho, pode-se concluir que a termografia pode ser proposta como uma boa ferramenta no auxílio ao diagnóstico do câncer de mama. Ela mostra ser uma técnica simples, de fácil aplicação e de baixo custo que apresenta excelentes resultados quanto ao diagnóstico precoce do câncer de mama quando são usados classificadores estatísticos. Assim, coloca-se este procedimento em evidência quando comparados a outros procedimentos tradicionais de diagnóstico ao câncer de mama.
Em relação as técnicas de seleção de atributos, os resultados mostraram que a nossa abordagem foi positiva, a qual foi caracterizada por uma significativa redução na quantidade de atributos sem diminuição considerável na acurácia em relação a classificação com todos os atributos.
Este trabalho resultou numa publicação na revista Research on Biomedical Enginee- ring, classificado como B1 no Qualis (SILVA et al.,2019).
Como trabalho futuro, é importante a utilização de outros algoritmos para selecionar atributos mais relevantes. É essencial também realizar um estudo específico para analisar as influências da presença da classe sem lesão nos resultados do classificador, e procu- rar entender e minimizar o efeito desta classe na diminuição do desempenho durante a classificação.
50
Referências
ACHARYA, U. R.; NG, E. Y.-K.; TAN, J.-H.; SREE, S. V. Thermography based breast cancer detection using texture features and support vector machine. Journal of medical systems, Springer, v. 36, n. 3, p. 1503–1510, 2012.
ALBONICO, G. A. M. Seleção de atributos e classificação automática de lesões mamárias em imagens de ultrassom. Dissertação (Mestrado) — Programa de Pós-Graduação em Engenharia Elétrica e Computação, Universidade Estadual do Oeste do Paraná, 2017. Disponível em:<http://tede.unioeste.br/handle/tede/2998>.
ANDRADE, M. K.; SANTANA, M. A. de; MORENO, G.; OLIVEIRA, I.; SANTOS, J.; RODRIGUES, M. C. A.; SANTOS, W. P. dos. An EEG brain-computer interface to classify motor imagery signals. In: NAIK, G. R. (Ed.). Biomedical Signal Processing. [S.l.]: Springer, 2020. p. 83–98.
ANTANI, S.; KASTURI, R.; JAIN, R. A survey on the use of pattern recognition methods for abstraction, indexing and retrieval of images and video. Pattern recognition, Elsevier, v. 35, n. 4, p. 945–965, 2002.
AZEVEDO, W. W.; LIMA, S. M.; FERNANDES, I. M.; ROCHA, A. D.; CORDEIRO, F. R.; SILVA-FILHO, A. G. da; SANTOS, W. P. dos. Fuzzy morphological extreme learning machines to detect and classify masses in mammograms. In: IEEE. 2015 IEEE international conference on fuzzy systems (fuzz-IEEE). [S.l.], 2015. p. 1–8.
AZEVEDO, W. W.; LIMA, S. M.; FERNANDES, I. M.; ROCHA, A. D.; CORDEIRO, F. R.; SILVA-FILHO, A. G. da; SANTOS, W. P. dos. Morphological extreme learning machines to detect and classify masses in mammograms. In: The International Joint Conference on Neural Networks - IJCNN 2015. [S.l.: s.n.], 2015.
BANDYOPADHYAY, S. K. Survey on segmentation methods for locating masses in a mammogram image. International Journal of Computer Applications, v. 9, n. 11, p. 25–28, 2010.
BARBOSA, V. A.; RIBEIRO, R. R.; FEITOSA, A. R.; SILVA, V. L.; ROCHA, A. D.; FREITAS, R. C.; SOUZA, R. E.; SANTOS, W. P. Reconstruction of electrical impedance tomography using fish school search, non-blind search, and genetic algorithm. International Journal of Swarm Intelligence Research (IJSIR), IGI Global, v. 8, n. 2, p. 17–33, 2017.
BARBOSA, V. A. F.; SANTANA, M. A.; ANDRADE, M. K. S.; LIMA, R. C. F.; SANTOS, W. P. Deep-Wavelet Neural Networks for breast cancer early diagnosis using mammary termographies. In: DAS, H.; PRADHAN, C.; DEY, N. (Ed.). Deep Learning for Data Analytics: Foundations, Biomedical Applications, and Challenges. [S.l.]: Elsevier, 2020.
BORCHARTT, T. B.; CONCI, A.; LIMA, R. C.; RESMINI, R.; SANCHEZ, A. Breast thermography from an image processing viewpoint: A survey. Signal Processing, Elsevier, v. 93, n. 10, p. 2785–2803, 2013.
Referências 51
BRASIL. Falando sobre câncer de mama. [S.l.]: Instituto Nacional de Câncer, Ministério da Saúde, 2002.<http://www.saude.pb.gov.br/web_data/saude/cancer/aula11.pdf>. [Acesso em: 19 jan. 2019].
BRASIL. ABC do Câncer: abordagens básicas para o controle do câncer. [S.l.]: Instituto Nacional de Câncer, Ministério da Saúde, 2011.<http://bvsms.saude.gov.br/bvs/publicacoes/ inca/abc_do_cancer_2ed.pdf>. [Acesso em: 01 dez. 2018].
BRASIL. Atualização em mamografia para técnicos em radiologia. [S.l.]: Instituto Nacional de Câncer, Ministério da Saúde, 2018.<https://www.inca.gov.br/sites/ufu.sti.inca.local/files/ /media/document//atualizacao-em-mamografia-tecnicos-radiologia.pdf>. [Acesso em: 25 jan. 2019].
BRASIL. Câncer de mama: detecção precoce. [S.l.]: Instituto Nacional de Câncer, Ministério da Saúde, 2018. <http://www2.inca.gov.br/wps/wcm/connect/tiposdecancer/site/home/ mama/deteccao_precoce>. [Acesso em: 17 jan. 2019].
BRASIL. Como é o processo de carcinogênese. [S.l.]: Instituto Nacional de Câncer, Ministério da Saúde, 2018.<http://www1.inca.gov.br/conteudo_view.asp?id=319>. [Acesso em: 20 dez. 2018].
BRASIL. Determinantes Sociais e Riscos para a Saúde, Doenças Crônicas não
transmissíveis e Saúde Mental. [S.l.]: Organização Pan-Americana de Saúde, Organização Mundial de Saúde (Comp.), 2018. <https://www.paho.org/bra/index.php?option=com_ content&view=article&id=5588:folha-informativa-cancer&Itemid=839>. [Acesso em: 30 jan. 2019].
BRASIL. Estimativa 2018: Incidência de Câncer no Brasil. [S.l.]: Instituto Nacional de Câncer, Ministério da Saúde, 2018. <https://www.inca.gov.br/publicacoes/livros/ estimativa-2018-incidencia-de-cancer-no-brasil>. [Acesso em: 29 jan. 2019].
BRYNOLFSSON, P.; NILSSON, D.; TORHEIM, T.; ASKLUND, T.; KARLSSON, C. T.; TRYGG, J.; NYHOLM, T.; GARPEBRING, A. Haralick texture features from apparent diffusion coefficient (ADC) MRI images depend on imaging and pre-processing parameters. Scientific Reports, Nature Publishing Group, v. 7, n. 1, p. 1–11, 2017.
CASTRO, E. G.; TSUZUKI, M. S. G. Simulation optimization using swarm intelligence as tool for cooperation strategy design in 3D predator-prey game. In: CHAN, F. T. S.; TIWARI, M. K. (Ed.). Swarm intelligence: focus on ant and particle swarm optimization. Vienna: InTech Education and Publishing, 2007.
CASTRO, P. A. D. de; SANTORO, D. M.; CAMARGO, H. A.; NICOLETTI, M. C. Improving a Pittsburgh learnt fuzzy rule base using feature subset selection. In: IEEE. Fourth International Conference on Hybrid Intelligent Systems (HIS’04). [S.l.], 2004. p. 180–185. CHAMBERS, L. D. Practical handbook of genetic algorithms: complex coding systems. [S.l.]: CRC press, 2019. v. 3.
CHENG, H.-D.; SHAN, J.; JU, W.; GUO, Y.; ZHANG, L. Automated breast cancer detection and classification using ultrasound images: A survey. Pattern Recognition, Elsevier, v. 43, n. 1, p. 299–317, 2010.
Referências 52
CLESIO, F. Preparando arquivos para o Weka 2012. 2012. <https://mineracaodedados. wordpress.com/2012/02/27/preparando-arquivos-para-o-weka>. [Acesso em: 01 fev. 2019]. COMMOWICK, O.; ISTACE, A.; KAIN, M.; LAURENT, B.; LERAY, F.; SIMON, M.; POP, S. C.; GIRARD, P.; AMELI, R.; FERRÉ, J.-C. et al. Objective evaluation of multiple sclerosis lesion segmentation using a data management and processing infrastructure. Scientific Reports, Nature Publishing Group, v. 8, n. 1, p. 1–17, 2018.
CORDEIRO, F. R.; BEZERRA, K. F. P.; SANTOS, W. P. dos. Random walker with fuzzy initialization applied to segment masses in mammography images. In: IEEE. 2017 IEEE 30th International Symposium on Computer-Based Medical Systems (CBMS). [S.l.], 2017. p. 156–161.
CORDEIRO, F. R.; LIMA, S. M.; SILVA-FILHO, A. G.; SANTOS, W. P. dos. Segmentation of mammography by applying extreme learning machine in tumor detection. In: SPRINGER. International Conference on Intelligent Data Engineering and Automated Learning. [S.l.], 2012. p. 92–100.
CORDEIRO, F. R.; SANTOS, W. P.; SILVA-FILHO, A. G. An adaptive semi-supervised Fuzzy GrowCut algorithm to segment masses of regions of interest of mammographic images. Applied Soft Computing, Elsevier, v. 46, p. 613–628, 2016.
CORDEIRO, F. R.; SANTOS, W. P. dos; SILVA-FILHO, A. G. Segmentation of mammography by applying GrowCut for mass detection. Studies in Health Technology and Informatics, v. 192, p. 87–91, 2013.
CORDEIRO, F. R.; SANTOS, W. P. dos; SILVA-FILHO, A. G. Segmentation of mammography by applying GrowCut for mass detection. In: 14th World Congress on Medical and Health Informatics - MEDINFO 2013. Copenhagen: [s.n.], 2013.
CORDEIRO, F. R.; SANTOS, W. P. dos; SILVA-FILHO, A. G. A semi-supervised fuzzy GrowCut algorithm to segment and classify regions of interest of mammographic images. Expert Systems with Applications, Elsevier, v. 65, p. 116–126, 2016.
CORDEIRO, F. R.; SANTOS, W. P. dos; SILVA-FILHO, A. G. Analysis of supervised and semi-supervised GrowCut applied to segmentation of masses in mammography images. Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization, Taylor & Francis, v. 5, n. 4, p. 297–315, 2017.
DIAS, D. M. Aplicação de algoritmos genéticos no scheduling automático e otimizado do petróleo em refinarias. Rio de Janeiro: [s.n.], 2006. Relatório de Estudo Orientado, Departamento de Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro - PUC-Rio.
DOURADO-NETO, H. M. Segmentação e análise automática de termogramas: um método auxiliar na detecção do câncer de mama. Dissertação (Mestrado) — Programa de Pós-Graduação em Engenharia Mecânica, Universidade Federal de Pernambuco, Recife, 2014.
EBERHART, R.; SHI, Y. Computational Intelligence: concepts to implementations. [S.l.]: Morgan Kaufmann, 2007.
Referências 53
ENGELBRECHT, A. Fundamentals of Computational Swarm Intelligence. [S.l.]: John Wiley & Sons, 2005.
ERPEN, L. R. C. Reconhecimento de padrões em imagens por descritores de forma. Dissertação (Mestrado) — Programa de Pós-Graduação em Ciência da Computação, Universidade Federal do Rio Grande do Sul, Porto Alegre, 2004.
FAWCETT, T. An introduction to ROC analysis. Pattern Recognition Letters, Elsevier, v. 27, n. 8, p. 861–874, 2006.
FEITOSA, A. R.; RIBEIRO, R. R.; BARBOSA, V. A.; SOUZA, R. E. de; SANTOS, W. P. dos. Reconstruction of electrical impedance tomography images using chaotic ring-topology particle swarm optimization and non-blind search. In: IEEE. 2014 IEEE International Conference on Systems, Man, and Cybernetics (SMC). [S.l.], 2014. p. 2618–2623. FEITOSA, A. R.; RIBEIRO, R. R.; BARBOSA, V. A.; SOUZA, R. E. de; SANTOS, W. P. dos. Reconstruction of electrical impedance tomography images using particle swarm optimization, genetic algorithms and non-blind search. In: IEEE. 5th ISSNIP-IEEE Biosignals and Biorobotics Conference (2014): Biosignals and Robotics for Better and Safer Living (BRC). [S.l.], 2014. p. 1–6.
FELIPE, J. C.; OLIOTI, J. B.; TRAINA, A. J. Discriminação de Aspectos Malignos em Massas Tumorais de Mamografias Usando Características de Forma das Imagens. In: V Workshop de Informática Médica (WIM 2005), Porto Alegre, RS, Brazil. [S.l.: s.n.], 2005. FERREIRA, J. O.; OLIVEIRA, H. C. B.; MARTINEZ, M. Aplicação de uma metodologia computacional inteligente no diagnóstico de lesões cancerígenas. Revista Brasileira de Inovação Tecnológica em Saúde, v. 2, n. 1, p. 4–9, 2011.
FERREIRA, R. Bates, Darwin, Wallace e a teoria da evolução. [S.l.]: Editora Uinversidade de Brasilia, 1990.
FRANCISCANI, J. F.; QUEIROZ, D. M. Inteligência artificial: uma abordagem sobre algoritmos genéticos. Revista Rumos da Pesquisa em Ciências Empresariais, Ciências do Estado e Tecnologia. Cadernos de Sistemas de Informação, v. 2, n. 1, p. 172–189, 2011. FRANCO, J. M. Mastologia: Formação do Especialista. Rio de Janeiro: Ateneu, 1997. GAMBINO, O.; CONTI, V.; GALDINO, S.; VALENTI, C. F.; SANTOS, W. P. dos. Image Segmentation Techniques for Healthcare Systems. Journal of Healthcare Engineering, v. 2019, p. 1–2, 2019.
GONÇALVES, C. B. Detecção de câncer de mama utilizando imagens termográficas. Uberlândia: [s.n.], 2017. Trabalho de Conclusão de Curso, Ciência da Computação, Universidade Federal de Uberlândia.
HARALICK, R. M. Statistical and structural approaches to texture. Proceedings of the IEEE, IEEE, v. 67, n. 5, p. 786–804, 1979.
HARALICK, R. M.; SHANMUGAM, K.; DINSTEIN, I. Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, SMC-3, n. 6, p. 610–621, 1973. HARRIS, J. R.; LIPPMAN, M. E.; MORROW, M.; HELMAN, S. Diseases of the Breast. Philadelphia: Lippincott-Raven Publishers, 1996.
Referências 54
HOLLAND, J. H. Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. [S.l.]: MIT press, 1992.
HSE, H.; NEWTON, A. R. Sketched symbol recognition using zernike moments. In: IEEE. Proceedings of the 17th International Conference on Pattern Recognition, 2004. ICPR 2004. [S.l.], 2004. v. 1, p. 367–370.
KANDLIKAR, S. G.; PEREZ-RAYA, I.; RAGHUPATHI, P. A.; GONZALEZ-HERNANDEZ, J.-L.; DABYDEEN, D.; MEDEIROS, L.; PHATAK, P. Infrared imaging technology for breast cancer detection: Current status, protocols and new directions. International Journal of Heat and Mass Transfer, Elsevier, v. 108, p. 2303–2320, 2017.
KEYSERLINGK, J.; AHLGREN, P.; YU, E.; BELLIVEAU, N. Infrared Imaging of the Breast: Initial Reappraisal Using High-Resolution Digital Technology in 100 Successive Cases