Uma Análise Comparativa entre Classificadores para Detecção de Nódulos Pulmonares

Transcrição

1 Uma Análise Comparativa entre Classificadores para Detecção de Nódulos Pulmonares Laércio Nascimento Mesquita¹, Maria Jaquelane Carvalho de Moura¹, Ivo Alves de Oliveira¹, Alcilene Dalília de Sousa² ¹ Acadêmico do Curso Bacharelado em Sistemas de Informação Campus Senador Helvídio Nunes de Barros CSHNB Universidade Federal do Piauí Picos Piauí - Brasil ² Professora do Curso Bacharelado em Sistemas de Informação Campus Senador Helvídio Nunes de Barros CSHNB Universidade Federal do Piauí Picos Piauí - Brasil {laerciomesquita90,maria.jaquelane,ivoalves.analista}[arroba]gmail.com, alcilene[arroba]ufpi.edu.br Abstract: Lung cancer is one of the kinds of diseases that cause most deaths in the world and its main cause is the excessive use of tobacco and its derivatives. The use for an extended time can cause the emergence of nodules; formations that are caused by genetic changes in cells or respiratory diseases. The aim of this study is to make a comparative analysis of classifiers that detect automatically the pulmonary nodules in medical imaging. The comparison was made using 60 Computed Tomography (CT) images, resulting in a success rate of 65% and a Kappa index of Resumo: O câncer de pulmão é um dos tipos de doenças que mais causam mortes no mundo, e sua principal causa é o uso demasiado de tabaco e seus derivados. A utilização por um tempo prolongado pode ocasionar o surgimento de nódulos; que são formações causadas por alterações genéticas nas células ou por doenças respiratórias. O objetivo desse trabalho é fazer uma análise comparativa entre classificadores que detectam de forma automática os nódulos pulmonares em imagens médicas. A comparação foi feita utilizando 60 imagens de Tomografia Computadorizada (TC), resultando em uma taxa de acerto de 65% e um índice Kappa de 0, Introdução O câncer é um nome dado a um conjunto de mais de 100 doenças, atualmente o que causa mais mortes no mundo é o câncer de pulmão, cerca de 90% dos casos estão ligados diretamente a uso do tabaco e seus derivados, os outros 10% restantes estão ligados a doenças respiratórias, é o caso da pneumonia. A estimativa de novos casos para 2014 foi de , sendo homens e , mulheres. A detecção precoce do câncer de pulmão é um dos fatores mais importantes para maximizar a taxa de sobrevida dos pacientes, a sobrevida média total cumulativa é de cinco anos, e varia entre 13 e 21% em países desenvolvidos e entre 7 e 10% em países em desenvolvimento (INCA, 2015). O principal meio de detecção de nódulos

2 pulmonares é através de imagens de exame de TC, são através das mesmas que os especialistas verificam se existe nódulo ou não. Devido à quantidade de imagens ser demasiadamente excessiva o processo se torna enfadonho, tornando-o muito suscetível a erros. Esse trabalho tem como objetivo fazer uma análise comparativa entre cinco classificadores, para a detecção automática de nódulos pulmonares de forma. A metodologia consiste em utilizar quatro características extraídas através do descritor de textura GLCM (Gray- Level Coocorrence Matrices), e classificá-las em nódulos ou não nódulos pulmonares e fazer um comparativo com os melhores resultados obtidos pelos classificadores. O artigo está organizado da seguinte forma: na Seção 2, são apresentados trabalhos relacionados; na Seção 2.1 é apresentado o método proposto; na Seção 3 é descrito o referencial teórico; na Seção 4, são apresentados os resultados obtidos; e por fim, as conclusões e trabalhos futuros na Seção Trabalhos Relacionados Na literatura existe uma grande quantidade de trabalhos relacionados à classificação de nódulos pulmonares; a classificação é feita utilizando características extraídas de imagens médicas, que servem de entrada para os classificadores. A classificação tem por objetivo descobrir a presença de nódulos ou não nódulos pulmonares. Sousa et al. (2007), apresenta uma metodologia fundamentada em refinamentos sucessivos da segmentação sobre imagens de TC, utilizando técnicas morfológicas para a obtenção de candidatos a nódulo. A redução de falsos positivos é efetivada pelo SVM com base em características geométricas e de textura. A metodologia atingiu 95,21% de acerto com uma média de 0,42 falsos positivos e 0,15 falsos negativos por exame. Carvalho Filho (2013), por sua vez, desenvolveu uma metodologia para a detecção automática de nódulos pulmonares, utilizando técnicas de processamento de imagens e reconhecimento de padrões. Em seu trabalho, ele utilizou a técnica de Quality Threshold Clustering (QT) para realizar a segmentação dos candidatos à nódulos, fez a classificação entre nódulos e não nódulos baseado na extração de características como forma e textura, e aplicou o algoritmo Support Vector Machine (SVM). Esse algoritmo alcançou bons resultados, com sensibilidade de 85,91%, especificidade (custo da detecção) de 97,70%, precisão (proporção de nódulos verdadeiros em todos os nódulos obtidos) de 97,55% e uma taxa de falso positivo de 1,82 por imagem. Freire et al. (2014), apresenta uma metodologia que envolve a utilização de medidas de diversidade como descritores nas estruturas internas. De forma a melhorar as estruturas internas as medidas de diversidade foram aplicadas em círculos e anéis concêntricos a fim de descrever as estruturas analisadas, também foram utilizadas medidas baseadas em geometria e através de uma validação cruzada, a fim de garantir a eficiência do modelo, como classificador foi utilizado um algoritmo a-genético para seleção do melhor modelo de classificação e Máquina de Vetor de Suporte como classificador de candidatos à nódulos pulmonares atingindo assim uma sensibilidade de 92,75% e 93,21% de acurácia.

3 Choi et al. (2014), apresentam um novo sistema de detecção baseado em descritores para detecção de nódulos pulmonares em TC. A segmentação é feita baseada em limiarização, e rotulação de componentes em 3D, a detecção dos candidatos a nódulos é feita através de filtragem de aprimoramento multiscala. São calculadas as características do Histograma Angular Normal da Superfície (HANS) para descrever os candidatos detectados. E a classificação é realizada utilizando Máquina de Vetor de Suporte. Obtendo assim uma taxa de sensibilidade de 97.5% com 6,76% de falsos positivos por scanner. 2.1 Método Proposto Para que fosse realizado a comparação entre os classificadores, adotamos a seguinte metodologia, aquisição das imagens de Tomografia Computadoriza (TC) da base LIDC- IDRI, extração de características utilizando o descritor baseado em textura GLCM e o classificador Weka. Aquisição de Imagens Extração de características utilizando GLCM Classificação A. Base de Imagem Figura 1. Fluxograma do método proposto A base utilizada na classificação desse trabalho é a LIDC-IDRI, base pública de exames de TC de nódulos pulmonares. Essa base de imagens tomográficas é disponibilizada pelo National Cancer Institute of USA (NCI). Sua criação foi o resultado da fusão do Lung Image Database Consortium (LIDC) e a Image Database Resource Initiative (IDRI). Foram selecionadas 60 imagens de um total de 1012, sendo 30 imagens contendo candidatos a nódulos e 30 sem candidatos a nódulos pulmonares, tendo como base as informações das marcações realizadas pelos 4 especialistas contidas no arquivo XML da base em questão (Armato et al., 2010). B. Extração de características O processo de extração e seleção de características envolve a obtenção de características de uma região de interesse, podendo ser realizado por técnicas baseadas em morfologia, textura e geometria. Para extrair as características foi utilizado o descritor GLCM, ele tem como principal características trabalhar com imagens em escala de cinza de forma a melhor extrair características baseadas em textura. A utilização desse descritor foi escolhida baseada em aplicações já realizadas em TC de imagens de pulmão, obtendo resultados satisfatórios. Segundo Ramalho et al. (2013), o GLCM baseia-se nos níveis de cinza de acordo com a vizinhança dos pixels dentro de uma imagem. No processo de extração de características foram utilizados os atributos energia, contraste, homogeneidade e entropia, para cada atributo foi extraído um vetor contendo os valores de cada um nos ângulos, 0, 45, 90 e 135, para cada atributo foram geradas características nos quatro ângulos, gerando no total 16 características.

4 C. Classificação A classificação tem como objetivo a rotulação de candidatos a nódulos pulmonares a partir de dados já rotulados, tendo como vetor de entrada as características extraídas das imagens de TC do pulmão. Para atingir os resultados foram utilizadas as características citadas nesta seção, que serviram de entrada para a ferramenta Weka (Waikato Environment for Knowledge Analysis). Através da ferramenta Weka foi utilizado o método de validação cruzada, onde os dados foram divididos em 5 conjuntos, sendo 4 deles utilizados para treinamento e um para testes, o resultado de treinamento é então cruzado com os próximos grupos e ao final é gerado uma média dos resultados. 3. Referencial Teórico Um nódulo é uma pequena massa de tecido que se forma dentro ou sobre o corpo, normalmente em resposta a lesões. Na sua maioria, os nódulos são benignos, e não requerem nenhuma ação médica, no entanto eles podem interferir nas funções do corpo ou podem ser malignos, onde é essencial uma intervenção médica Sousa (2007). Grande parte dos nódulos pulmonares surgem nas paredes dos brônquios, o que dá ao câncer pulmonar também o nome de broncogênico. Eles também podem ocorrer com frequência nas paredes dos pulmões e podem levar vários anos para se desenvolverem. A fase inicial de desenvolvimento é assintomática e é formada por uma área pré-cancerosa não identificável por exames de imagem, sendo apenas identificado por imagens de TC quando o mesmo já está em um estágio avançado INCA (2015). 5 a) b) Figura 1 Em (a) tem-se um pulmão com nódulos e em (b) tem-se um pulmão saudável. Na Figura 1., pode ser observado duas imagens da base LIDC-IDRI Armato (2010), a imagem 1.a) mostra um pulmão com nódulos e a imagem b) sem nódulos pulmonares. 3.1 Aprendizado de Máquina Diferente das metodologias computacionais tradicionalmente utilizadas, o uso de Aprendizagem de Máquina (AM) lida com o problema de modo que a própria máquina encontrará, após um processo de aprendizagem, uma hipótese que melhor o define. Para isso, a AM baseia-se em ideias de um conjunto diversificado de disciplinas incluindo Inteligência Artificial (IA), probabilidade e estatística, complexidade computacional,

5 teoria da informação, psicologia, neurobiologia, teoria de controle e filosofia, tendo aplicações nas mais diversas áreas do conhecimento. AM está subdivido em aprendizado supervisionado, não supervisionado e aprendizado por reforço Lopes e Lima (2014). O aprendizado supervisionado funciona com o auxílio de uma espécie de professor, os dados de entrada rotulados são apresentados a um algoritmo que realizará um treinamento, com isso é gerado um classificador, sendo esse capaz de classificar dados sem rótulos em suas respectivas classes. O aprendizado não supervisionado caracteriza-se por não ter nenhum auxílio e baseia-se em agrupamentos e características dos dados a serem classificados. O aprendizado por reforço tem como característica o ganho através da tentativa e erro. Optou-se por ser utilizado o aprendizado supervisionado, por trabalhar com uma grande quantidade de dados, e ter uma garantia que haverá um resultado válido. 4. Resultados e Discursões O desempenho obtido pelos algoritmos podem ser observados na Tabela 1, através dos resultados: Verdadeiro Positivo (VP), Verdadeiro Negativo (VN), Falso Positivo (FP), Falso Negativo (FN), F-Measure (FM), Kappa (K), área sob a curva ROC (ROC) e Acurácia (A). Tabela 1. Resultados obtidos a partir classificadores Classificadores VP VN FP FN FM K ROC A RBFClassifier , ,630 0,650 LibSVM , ,567 0,567 RandomForest , ,570 0,533 MLP , ,513 0,500 Nayve Bayes Classifier , ,511 0,550 Os classificadores testados foram RBFClassifier, LibSVM, RandomForest, MLP e Nayve Bayes Classifier, cada um foi testado utilizando características de 60 imagens da base LIDC-IDRI. O melhor resultado foi conseguido através do RBFClassifier, classificou 17 nódulos corretamente (VP), 22 (VN), foram retornados 8 (FP) e 13(FN). O RBFClassifier atingiu uma taxa de acerto de 0,650 e índice Kappa correspondendo a 0.300, tendo obtido um resultado considerado pouco relevante de acordo com as métricas do índice Kappa. O pior resultado foi obtido com o MLP, com uma acurácia de cerca de 0,500 e o índice Kappa de Percebemos que a quantidade de falsos positivos é muito alta se comparado com a quantidade total de imagens utilizadas. Outro fator, é quanto a utilização dos classificadores LibSVM, RandomForest e Nayve Bayes Classifier onde os resultados não foram como esperados. Um dos principais fatores foi o número insuficiente de características utilizadas para realizar a classificação. 5. Conclusões e Trabalhos Futuros

6 Com os grandes avanços tanto da área da medicina quanto da computação as pesquisas envolvendo doenças pulmonares e principalmente a identificação precoce do câncer de pulmão tem adquirido grande relevância no cenário mundial. A análise utilizada não se mostrou com grande eficácia com a utilização apenas de quatro características de textura, também outro fator a ser levado em consideração é a utilização de imagens não segmentadas. Para o futuro pode-se utilizar uma base de imagens maior e segmentada, além de utilizar outros tipos de descritores, como o descritor de forma. 6. Referências Armato III, S. G.; et al. (2010) Comparing and combining algorithms for computeraided detection of pulmonary nodules in computed tomography scans: The ANODE09 study, Medical Image Analysis, p Instituto Nacional do Câncer INCA (2015), Mistério da Saúde, Câncer de pulmão, outubro. Carvalho Filho, A. O. de. (2013) Detecção automática de nódulos pulmonares solitários usando quality threshold clustering e mvr, Dissertação de Mestrado na área de Ciência da Computação, (Programa de Pós-Graduação em Engenharia de Eletricidade), Universidade Federal do Maranhão, São Luís. Choi, W. J.; et al. (2014) Automated pulmonary nodule detection based on threedimensional shape-based feature descriptor, Computer Methods and Programs in Biomedicine, p Freire, T. P. (2014) Classificação em nódulos e não nódulos baseado em imagens de tomografia computadorizada usando índices de diversidade e máquina de vetor de suporte. Dissertação de Mestrado na área de Ciência da Computação. (Programa de Pós-Graduação em Engenharia de (Eletricidade) Universidade Federal do Maranhão, São Luís. Lopes, L. A. (2014) Rotulação Automática de Grupos com Aprendizagem de Máquina Supervisionada, Dissertação de Mestrado na área de Ciência da Computação, (Programa de Pós-Graduação em Ciência da Computação), Universidade Federal do Piauí, Teresina. Lima, B. V. A. (2014) Rotulação de Dados com Aprendizado Semi- Supervisionado, Dissertação de Mestrado na área de Ciência da Computação, (Programa de Pós-Graduação em Ciência da Computação), Universidade Federal do Piauí, Teresina. Sousa, J. R. F. S. (2007) Metodologia para detecção automática de nódulos pulmonares, Dissertação de Mestrado na área de Ciência da Computação, (Programa de Pós-Graduação em Engenharia de Eletricidade), Universidade Federal do Maranhão, São Luís. Ramalho, G. L. B. (2013) "Análise de Imagens por meio da Matriz de Interdependência e da Transformação Estrutural Multiscala", Tese de Doutorado na área de Engenharia de Teleinformática, (Programa de Pós-Graduação em Engenharia de Teleinformática), Universidade Federal do Ceará, Fortaleza.