04-07 de Julho - FCT/UNESP - P. Prudente VI Workshop de Visão Computacional

Transcrição

1 Desenvolvimento de um software classificador da forma de nódulos mamográficos segmentados utilizando a rede neural artificial multi-layer Perceptron (MLP) Renan Caldeira Menechelli 1, Patricia Bellin Ribeiro 1, Homero Schiabel 1 1 Universidade de São Paulo USP, Depto. de Engenharia Elétrica, São Carlos-SP, Brasil renan.menechelli@gmail.com, patriciabellin@yahoo.com.br Abstract Due to constant increase in the occurrence of breast cancer, many studies are intended to assist the diagnosis by computer. The experiments were performed with real images and the images that simulate mammographic nodules. About all of images are extracted shape descriptors to be submitted to classification as inputs to an artificial neural network MLP. The best values obtained with the generalization in the classification were of 72% to simulation images in 5 classes with Az = 0.75 and 82% to the real images in 2 classes with Az = Then, we developed a software that implements the MLP to aid the classification of nodules present in mammographic images in 2 classes using shape descriptors. Keywords: breast cancer, multi-layer Perceptron, shape descriptors, patterns classification 1. Introdução A estimação de ocorrências do câncer de mama no Brasil cresce anualmente. De acordo com o INCA (Instituto Nacional do Câncer), para o ano de 2010 e 2011 a expectativa para o Brasil é de novos casos dessa doença. A média do aumento anual dessa modalidade de câncer é dado em cerca de 22%, assumindo o segundo lugar dentre as maiores ocorrências da mesma doença. Se diagnosticados em estágio inicial, cerca de mais de 50% dos casos podem ser curados. Esquemas de Auxílio ao Diagnóstico (CAD) Computer Aided Diagnosis têm sido desenvolvidos para apoiar radiologistas na detecção da suspeita de microcalcificações e massas nodulares presentes em imagens mamográficas [1]. O auxílio ao diagnóstico por computador é uma ferramenta para os radiologistas evidenciarem estimativas probabilísticas da ocorrência de lesões malignas do câncer de mama através da análise de imagens e fornecerem um diagnóstico com maior precisão e detalhamento. Para automatização do diagnóstico, muitos passos devem ser seguidos, como a segmentação da lesão, extração de atributos e classificação em grau de malignidade [2]. Uma padronização das formas de nódulos mamográficos proposta pelo BI-RADS [3] e adotada nessa pesquisa é exemplificada pela Figura 1. Benigno Maligno Figura 1. Formas das massas de câncer de mama, conforme classificação BI-RADS [3]. Constantemente estão em desenvolvimento aplicações que compõem módulos de esquemas CAD. A pesquisa desenvolvida por [4] objetivou a classificação de nódulos presentes em mamogramas digitalizados, através de uma rede neural do tipo MLP. Das 118 imagens selecionadas foram extraídos descritores de textura e geométricos. Já [5] desenvolveu, em sua pesquisa, uma aplicação que implementa uma rede neural do tipo MLP para classificação de nódulos mamográficos conforme o padrão de contorno (ou borda) estabelecido pelo BI- RADS. Foram extraídos atributos de textura, descritores de formas e de intensidade das imagens segmentadas e analisados estatisticamente para submissão dos mais representativos como entradas para a rede neural. Também para a diferenciação e classificação de achados mamográficos em imagens digitalizadas, [6] fez uso de duas redes neurais artificiais: SOM (Self-Organization Map) e MLP. A rede SOM objetivou agrupar as imagens para uma classificação binária (presença ou ausência de achados) e a rede MLP para a diferenciação em 3 classes: normais, nódulos benignos e nódulos malignos. Assim, várias aplicações buscam a classificação de nódulos mamográficos em imagens digitais em, pelo menos, casos normais ou benignos de malignos. Contudo, este trabalho tem por objetivo o desenvolvimento de um software de interface intuitiva e simples manuseio para auxiliar na classificação da forma de nódulos em imagens mamográficas digitalizadas, a partir de descritores geométricos que caracterizem as mesmas, utilizando a rede neural artificial multi-layer Perceptron (MLP) com algoritmo de backpropagation. 180

2 2. Extração de Atributos por Descritores de Forma No intuito de auxiliar o diagnóstico do câncer de mama, as imagens de filmes mamográficos são digitalizadas e submetidas a variadas técnicas de processamento de imagens [1] com a finalidade de realçar e isolar apenas a área de interesse [7]. Logo, atributos de forma, contorno, textura, entre outros, podem ser extraídos e utilizados por um classificador para o cálculo da probabilidade da lesão ser benigna ou maligna [2]. Em lesões de câncer de mama é de fundamental importância a análise do formato e contorno dos nódulos [3]. Através da aplicação de descritores geométricos no processamento de imagens são possíveis a análise, modificação e a extração de características e parâmetros de objetos presentes nas imagens, como informações de níveis de cinza, perímetro, área, irregularidade, compacidade, retangularidade [8] que, por sua vez, poderão ser utilizadas para classificar as imagens como um todo ou os objetos presentes nas mesmas [9]. Os principais atributos descritores da forma de objetos utilizados nesta pesquisa, foram: perímetro, área da região de interesse (ROI), irregularidade e área do retângulo mínimo. Os atributos de área e perímetro são parâmetros de formas os quais não dependem da orientação dos objetos em imagens planas, sendo úteis para realizar a distinção desses mesmos objetos [8]. Os valores de perímetro, área e medidas relacionadas extraídas das imagens contribuem muito para a separação dos mesmos em classes. Dessa forma, são muito utilizados por esquemas CAD, pois, em achados mamográficos, por exemplo, o formato, tamanho e distribuição dos objetos são importantes na análise da imagem e laudo médico com maior precisão [5] Perímetro O perímetro (P) é dado pelo valor da soma do número de pixels que delimitam a fronteira de um objeto e sofre influências pela grande variação de espessura da borda assim como a forma que se apresenta [10] Área da Região de Interesse (ROI) A área (A) de um objeto em uma imagem é dada pela soma total dos pixels que o compõem [6], podendo ser obtida através do momento de inércia de ordem zero [10] Irregularidade O atributo de irregularidade é capaz de extrair valores sobre a falta de um padrão constante de fronteiras de objetos, sugerindo, no caso da massa do câncer de mama, malignidade. Pode ser definido pela Equação 1, em que o termo A representa a área da região de interesse e P o perímetro [5] Área do Retângulo Mínimo A área do retângulo mínimo (Ar) é uma técnica em que se aplica um quadrilátero (ou longo retângulo) em torno de todo o objeto em estudo, a fim de mantê-lo completamente dentro da estrutura traçada. O valor final é dado pela soma de todos os pixels que compõem a área interna do quadrilátero traçado [11], podendo ser visualizado pela demonstração da área hachurada na Figura 2. Figura 2. Ilustração da região representada pela área do retângulo mínimo [11] Medidas obtidas pela relação de cálculo Baseado nos valores dos atributos anteriormente descritos, outras medidas podem ser extraídas dos objetos segmentados em imagens a fim de descrevê-los. A retangularidade e a relação de aspecto, descritos pelas Equações 2 e 3 respectivamente, são exemplos de medidas utilizadas nesta pequisa [11]. 3. Materiais e Métodos Para uma maior análise das técnicas empregadas, a pesquisa foi dividida em duas fases: a primeira com uso de imagens simuladas e a segunda com imagens mamográficas reais digitalizadas Banco de Imagens (1) (2) (3) Inicialmente, foram criadas 250 imagens (50 para cada uma das 5 classes definidas), com base em imagens mamográficas reais segmentadas. Essas imagens simuladas foram desenhadas no software CorelDraw versão 12 e salvas no padrão bitmap (bmp). 181

3 Na segunda etapa, 110 imagens mamográficas reais digitalizadas (22 para cada uma das 5 classes estabelecidas), com 12 bits de resolução de contraste (4096 níveis de cinza), foram adquiridas através da base de imagens do LAPIMO (Laboratório de Análise e Processamento de Imagens Médicas e Odontológicas Depto. de Eng. Elétrica EESC/USP) [12], exemplificadas pela Figura 3. Figura 3. Regiões de interesse, extraídas de mamografias digitalizadas obtidas da base do LAPIMO [12], com indicação de presença de massas suspeitas: a)redonda; b)oval; c)lobular; d)irregular; e)com Distorção de Arquitetura 3.2. Segmentação Como as imagens simuladas já foram criadas em branco e preto (binarizadas) como uma representação do nódulo, o processo de segmentação foi aplicado apenas nas imagens mamográficas reais. A técnica utilizada para isso baseia-se na Transformada Watershed através de uma aplicação inicial desenvolvida por [13] na plataforma Borland Delphi 7, que sofreu melhorias e adaptações para a classificação por uma rede neural segundo o contorno [5], a qual vem apresentando resultados satisfatórios Extração de Características Para todas as imagens utilizadas nesta pesquisa (simuladas e reais) foram extraídos atributos a fim de descreverem as formas de nódulos mamográficos. Através da implementação de uma aplicação na plataforma de desenvolvimento Borland Delphi versão 7, foram selecionados para extração 6 atributos: irregularidade, área do retângulo mínimo, perímetro, área da região de interesse, relação de aspecto e retangularidade. Uma única aplicação, também desenvolvida na plataforma Borland Delphi versão 7, que implementa a rede neural MLP, é capaz de normalizar de forma automatizada os dados de entrada, configurar treinamentos, determinar a validação do tipo cruzada (cross-validation) e leave-one-out e verificar a generalização do classificador com os valores das taxas de Verdadeiros positivos (VP) e negativos (VN) e Falsos positivos (FP) e negativos (FN) do sistema de detecção. Para as imagens simuladas utilizou-se a validação cruzada (cross-validation) com 30% do total de amostras. Devido ao baixo número de imagens mamográficas reais digitalizadas que apresentassem laudos de acordo com o interesse dessa pesquisa, utilizou-se para as mesmas, a validação do tipo leave-one-out [14]. 4. Resultados e Discussões O conjunto de classificação das imagens envolveu variadas combinações entre as classes. A seguir, descrevem-se as combinações mais relevantes Classificação das Imagens Mamográficas Simuladas Para o conjunto de imagens simuladas, primeiramente, foram analisadas as distribuições gaussianas conforme o número de categorias a serem submetidas à classificação. Escolheu-se o atributo retratado por curvas que apresentam maior separabilidade no gráfico ou com uma área relativamente pequena de intersecção entre elas Classificação em 2 classes: Redonda e com Distorção de Arquitetura Inicialmente, pela análise das curvas da distribuição gaussiana, conforme Figura 4, concluiu-se que o atributo de irregularidade é suficiente para classificar as imagens simuladas em 2 classes Análise estatística dos atributos Para verificar a diferença de valores dos atributos anteriormente descritos, utilizou-se a distribuição gaussiana, implementada no software Matlab 7, com isolamento dos dados para 2 e para 5 classes Implementação da rede neural MLP Os dois conjuntos de imagens (simuladas e reais) foram submetidos separadamente para classificação por uma rede neural artificial do tipo MLP, com uso do algorítmo de backpropagation, com uma camada intermediária neural e sob a função de ativação logística. Figura 4. Distribuição gaussiana para 2 classes considerando o atributo irregularidade. No total submeteram-se 70 amostras para treinamento e 30 para validação. As classes puderam ser diferenciadas pelo classificador com 5 neurônios na única camada neural intermediária, sob uma taxa de aprendizagem de 182

4 0,6 e EQM=0,0001, obtendo-se na validação cruzada aproximadamente 98% de acerto e um valor de Az=0,94 pela Curva ROC (Figura 6-a) Classificação em 5 classes; Redonda, Oval, Lobulada, Irregular e com Distorção de Arquitetura Para essa classificação, foram realizados treinamentos com 175 imagens, sendo 75 destinadas à validação do tipo cross-validation. Na distribuição gaussiana com apresentação das 5 classes simultaneamente, escolheram-se para atributos de entrada: irregularidade, relação de aspecto, retangularidade e área do retângulo mínimo, por apresentarem, em comparação aos demais atributos anteriormente descritos, uma maior dispersão entre as curvas das classes. A Figura 5 exemplifica a distribuição gaussiana dos atributos irregularidade e relação de aspecto para 5 classes. simuladas, aplicaram-se os mesmos procedimentos de análise, através da distribuição gaussiana, dos valores dos atributos, conforme o número de categorias a serem submetidas para a classificação, escolhendo aquele(s) que são retratados por curvas com pouca intersecção entre si, já que nenhum atributo resultou em um gráfico com curvas totalmente dispersas Classificação em 2 classes: Redonda e com Distorção de Arquitetura Apenas o atributo perímetro foi escolhido pela distribuição gaussiama (Figura 7) para compor a entrada da rede neural. O melhor resultado obtido na validação foi de aproximadamente 82%, com 3 neurônios na única camada intermediária, taxa de aprendizagem igual a 0,3, EQM=0, e Az=0,79 pela Curva ROC (Figura 9- a). Figura 7. Distribuição gaussiana do atributo perímetro para 2 classes das imagens reais Figura 5. Distribuição gaussiana dos atributos para 5 classes das imagens simuladas: a) Irregularidade; b) Retangularidade. Obteve-se a maior generalização com 5 neurônios na única camada intermediária, taxa de aprendizagem de 0,1, EQM=0, , acerto médio na validação cruzada de aproximadamente 72% e Az = 0,75 pela Curva ROC (Figura 6-b) Classificação em 5 classes; Redonda, Oval, Lobulada, Irregular e Distorção de Arquitetura Os atributos que melhor separam as 5 classes, segundo os gráficos da distribuição gaussiana para imagens mamográficas reais, são: perímetro, área do retângulo mínimo e relação de aspecto, os quais serviram de entrada para a rede neural. A Figura 8 exemplifica a distribuição gaussiana dos atributos perímetro e área do retângulo mínimo para 5 classes das imagens reais. Figura 6. Curvas ROC para classificação dos simuladores. a)2 classes e Az = 0,94; b) 5 classes e AZ = 0, Classificação das Imagens Mamográficas Reais Digitalizadas Inicialmente, as imagens reais digitalizadas foram segmentadas pela transformada Watershed, descrita anteriormente em 3.2. Conforme feito para as imagens Figura 8. Distribuição gaussiana dos atributos para 5 classes das imagens reais: a) Perímetro; b) Área do retângulo mínimo O máximo de acerto percentual na validação leaveone-out foi de aproximadamente 34%, com 8 neurônios 183

5 na camada intermediária, 5 neurônios de saída, com uma taxa de aprendizagem de 0,7, EQM=0, e Az=0,38 pela Curva ROC (Figura 9-b). Figura 9. Curvas ROC para classificação das imagens reais. a)2 classes e Az = 0,79; b) 5 classes e AZ = 0, Observações quanto à Classificação Na separação em duas classes, tanto as imagens simuladas quanto as mamográficas reais foram generalizadas com um acerto de validação consideravelmente bom, com base, também, no valor de Az obtido pelas curvas ROC. Isto se deve à grande diferença entre essas classes. O resultado para as imagens mamográficas reais foi inferior na generalização em relação às imagens simuladas devido à grande irregularidade na variação das possíveis formas características dos nódulos presente entre aquelas. Com isso, para separação em um número maior de classes, a rede neural não alcançou altos índices de generalização, inviabilizando o método com apenas os atributos utilizados. Também deve-se considerar que a forma de validação e quantidade das imagens simuladas e reais digitalizadas são diferentes, o que influencia no modo em como o treinamento e o ajuste de valores são realizados para cada tipo de classificação. Cabe ainda destacar que, para classificação de imagens reais em apenas 2 classes (redonda e com distorção de arquitetura), apenas o atributo perímetro foi utilizado. Isso se deve ao fato de que as formas são caracterizadas por suas bordas (ou contornos), justificando a utilização de apenas esse atributo. Como as imagens simuladas foram construídas em variados tamanhos, direções e posições, com formas mais precisas, o mesmo atributo, na distribuição gaussiana, não teve destaque quando comparado com a irregularidade. A escolha dos atributos que descrevem formas correponde àqueles mais comuns apresentados na literatura, principalmente em [8], [9] e [10], e dos mais utilizados em outros trabalhos como em [4], [5], [6] e [11]. Sendo assim, poderiam ser extraídos outros atributos das imagens e submetidos a análise para classificação. No intuito de melhorar a classificação de imagens mamográficas reais digitalizadas, adicionou-se a implementação de uma segunda camada neural intermediária [14], aprimorando a mesma aplicação já desenvolvida. Inicialmente, apenas as imagens simuladas foram submetidas para classificação em 5 classes. Os valores obtidos de validação foram muito próximos aos apresentados anteriormente, o que nos fez descartar essa topologia para os testes com imagens mamográficas reais digitalizadas. De fato, nesse caso, essa topologia de rede com duas camadas intermediárias não apresentou grandes mudanças no resultado de classificação das imagens simuladas e, portanto, nem foi testada a classificação para as imagens reais (o resultado da classificação seria pior comparado com aquele já obtido). Após confrontados os valores de acertos na validação dos treinamentos para várias classes, percebeu-se que a melhor forma de diferenciação de nódulos do câncer de mama estaria na classificação de apenas formas redonda e com distorção de arquitetura. Dessa forma, o software criado para classificação de massas mamográficas (descrito a seguir), tem o intuito de apenas diferenciar imagens em 2 classes considerando apenas um dos possíveis atributos: perímetro e irregularidade Software para auxílio na classificação de nódulos mamográficos pela forma Como ferramenta final, foi desenvolvido um software simples de classificação de imagens mamográficas. A aplicação é capaz de realizar as seguintes operações: Carregar uma ou mais imagens mamográficas segmentadas e binarizadas (em preto e branco); Escolher atributos para classificação: irregularidade ou perímetro; Classificar individualmente cada imagem com o resultado percentual de ocorrência para cada uma das possíveis classes. Uma limitação da aplicação está em apenas classificar as imagens em 2 classes: nódulos de forma redonda ou com arquitetura distorcida. As demais classes apresentaram alto risco de erro (conforme os resultados apresentados anteriormente para a classificação). A aplicação, após carregar a imagem exibida em tela, calcula a área da região de interesse (usada no cálculo da irregularidade), o perímetro e a irregularidade do nódulo. Em seguida, o valor é normalizado pelo maior valor encontrado para o atributo irregularidade ou perímetro (conforme seleção previamente feita para os exemplos submetidos à classificação), obtidos na normalização dos treinamentos. O valor normalizado serve como única entrada na rede neural cujos pesos e topologia foram extraídos dos melhores treinamentos para cada tipo de imagem. Analisa-se o neurônio vencedor e classifica-se a imagem sob o percentual de certeza para cada neurônio de saída. A Figura 11 mostra uma tela da interface do software desenvolvido para classificação. 184

6 Referências Bibliográficas Figura 11. Interface do software desenvolvido para auxílio na classificação pela forma de nódulos mamográficos Com isso, pode-se comprovar a eficácia de generalização do classificador desenvolvido para a melhor configuração encontrada a partir da submissão de imagens ainda não utilizadas nos treinamentos e validações. 5. Conclusões Para a confirmação de um diagnóstico preciso do câncer de mama, a dificuldade de interpretação de mamografias é muito alta em função de uma série de fatores, tais como: baixo nível de contraste das imagens, pelas massas apresentarem muitas variações de formas, tamanhos, contornos e densidade (dificultando a visualização do nódulo) [1]. Utilizar imagens simuladas possibilitou uma prévia interpretação dos resultados, visto que, nesse caso, as amostras são controláveis, ou seja, o interesse da resposta, além de ser induzido, é plenamente conhecido. Para a principal diferenciação, que compreende as classes de nódulos redondos e com distorção de arquitetura, a rede neural obteve um bom percentual de classificação para as imagens reais. Isso se deve pela notória diferença de forma e contorno entre nódulos. Ainda assim, o índice de generalização feito pela rede neural poderia, talvez, ser melhor avaliado com um número maior de imagens com laudos médicos de dados de biópsias e submetidas a validação cruzada. Desta forma os resultados obtidos com o desenvolvimento da pesquisa visam auxiliar na classificação do câncer de mama. Para trabalhos futuros, pretende-se aumentar o número de atributos extraídos das imagens e buscar resultados mais satisfatórios para a classificação das 5 possíveis formas de nódulos presentes em imagens mamográficas reais digitalizadas. Agradecimentos [1] ZHENG, Bin. Mass detection scheme for digitalized mammography. In: HAYAT M. A. Cancer Imaging: lung and breast carcinomas. v New Jersey: Elsevier, [2] DRUKKER, Karen; SENNETT, Charlene A.; GYGER, Maryellen L. Automated Method for Improving System Performance of Computer-Aided Diagnosis in Breast Ultrasound. IEEE Transaction on Medical Imaging, Chicago, v. 38, n. 1, p , jan [3] KOPANS, Daniel B. Imagem da Mama. 2 ed. Rio de Janeiro: Medsi, [4] KINOSHITA, Sérgio Koodi; AZEVEDO-MARQUES, Paulo Mazzoncini de; FRÈRE A. F. Utilização da análise de componentes principais e redes neurais artificiais para a classificação nódulos em mamogramas digitalizados. In: XVII CONGRESSO BRASILEIRO DE ENGENHARIA BIOMÉDICA CBEB, XVII, set. 2000, Florianópolis. Anais do Congresso Brasileiro de Engenharia Biomédica [5] RIBEIRO, Patricia Bellin. Classificação por análise de contornos de nódulos mamários utilizando redes neurais artificiais f. Dissertação (Mestrado em Engenharia Elétrica) Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos. [6] NATTKEMPER, Tim W.; DEGENHARD, Andreas; TWELLMANN Thorsten. Breast Tumor Classification and Visualization with Machine-learning Approaches. In: HAYAT M. A. Cancer Imaging: lung and breast carcinomas. v New Jersey: Elsevier, [7] AZEVEDO-MARQUES, Paulo Mazzoncini de. Diagnóstico auxiliado por computador na radiologia. Radiol Bras, São Paulo, v. 34, n. 5, p , set./out [8] JÄHNE, Bernd. Digital Image Processing. 5. ed. Berlin: Springer, [9] PRATT, William K. Digital Image Processing: piks Scientific inside. 4. ed. New Jearsey: Wiley, [10] GONZALEZ, Rafael C.; WOODS, Richard E. Processamento de imagens digitais. São Paulo: Edgard Blücher, [11] ESQUEF, Israel Andrade; ALBUQUERQUE, Márcio Portes de; ALBUQUERQUE, Marcelo Portes de. Processamento Digital de Imagens. CENTRO BRASILEIRO DE PESQUISAS FÍSICAS CBPF. fev Artigo de divulgação científica online... UENF, [12] MATHEUS, Bruno Roberto Nepomuceno. BancoWeb: base de imagens mamográficas para auxílio em avaliações de esquemas CAD p. Dissertação (Mestrado em Engenharia Elétrica) Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos. [13] SANTOS, Vivian Toledo. Segmentação de imagens mamográficas para detecção de nódulos em mamas densas f. Dissertação (Mestrado em Engenharia Elétrica) Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos. [14] HAYKIN, Simon. Neural networks and learning machines. 3 ed. New Jersey: Prentice Hall, À FAPESP Fundação de Amparo à Pesquisa do Estado de São Paulo, por fornecer suporte financeiro. 185