XXVIII Congresso de Iniciação Científica
Figura 2. Exemplos de janelas e assinaturas.
Figura 3. Vetores de características para imagens dos grupos de nódulos mamários.
Figura 1. Imagens infravermelhas de mama.
Entropia Multiescala e Assinaturas de Textura para Classificação de Imagens Infravermelhas de Mamas
Guilherme Botazzo Rozendo, Leandro Alves Neves, Universidade Estadual Paulista “Júlio de Mesquita Filho” – UNESP/Instituto de Biociências, Letras e Ciências Exatas – IBILCE, Bacharelado em Ciência da Computação, rozendo.guilherme@sjrp.unesp.br, PIBIC.
Palavras Chave: Entropia, Multiescala, Assinaturas.
Introdução
A entropia amostral (SampEn) permite quantificar o grau de irregularidade de textura em imagens, considerando a distribuição espacial dos pixels¹. O poder de quantificação é potencializado se a SampEn é combinada com observações em escalas espaciais distintas². Entretanto, não foram encontrados trabalhos que combinam a SampEn com assinaturas de texturas, com investigações de imagens infravermelhas de mamas.
Objetivos
Associar a SampEn com assinaturas de texturas multiescalas e realizar quantificações de imagens infravermelhas para o diagnóstico de câncer de mama. Os grupos de interesse são os estudados na prática clínica: maligno, benigno e normal.
(a) Benigno (b) Maligno (c) Normal
Material e Métodos
O método proposto foi definido em etapas:
Etapa 1: Aplicar a SampEn por meio de janelas deslizantes, explorando múltiplos tamanhos de janelas 𝑚 e tolerâncias 𝑟. Os resultados foram organizados como assinaturas de textura (Figura 2).
Etapa 2: Extrair as características de cada assinatura: área, obliquidade, ponto máximo e razão de área. Estas características definem os vetores
(Figura 3) que são utilizados para o processo de classificação.
Etapa 3: Aplicar a abordagem cross-validation de 3 folds com os classificadores: Support vector machine (SVM), K*, Otimização de lobos cinzas (bGWO) e Algoritmo genético (GA).
Discussão
O método foi aplicado na base de imagens infravermelhas de mama: 20 imagens do grupo normal (N); 20 do grupo benigno (B); 26 do grupo maligno (M). Na Tabela 1 estão os resultados fornecidos pelo método proposto, com destaque (em negrito) para os melhores resultados.
Tabela 1. Acurácia em diferentes classificadores.
B x M B x N M x N SVM 84,80% 97,60% 96,00%
K* 81,40% 92,26% 89,96%
GA 91,85% 97,60% 93,65%
bGWO 99,63% 99,69% 99,63%
Conclusões
O método proposto forneceu resultados promissores. A abordagem desenvolvida pode contribuir com o entendimento e o reconhecimento de padrões do câncer de mama em imagens infravermelhas.
Agradecimentos
Ao CNPq e PROPe pelo apoio financeiro.
____________________
¹ Silva, L. E. V., et al. Two-dimensional sample entropy: assessing image texture through irregularity. Biomedical Physics & Engineering Express 2.4 (2016): 045002.
² Yeh, Jia-Rong, Chung-Wu Lin, and Jiann-Shing Shieh. An approach of multiscale complexity in texture Analysis of lymphomas. IEEE Signal Processing Letters 18.4 (2011): 239-242.
