Embedded system for automatic classification of microcalcifications in digital mammograms

Embedded system for automatic classification of microcalcifications in digital mammograms Tiago Alexandre Docusse, Alexandre César Rodrigues da Silva, Aledir Silveira Pereira and Norian Marranghello Universidade Estadual Paulista Departamento de Engenharia Elétrica, Ilha Solteira, SP. Email: tiagodocusse@gmail.com e acrsilva@dee.feis.unesp.br Universidade Estadual Paulista Departamento de Ciência de Computação e Estatítica, São José do Rio Preto, SP. Email: aledir@ibilce.unesp.br e norian@ibilce.unesp.br Resumo This paper presents a system to aid radiologists in breast cancer early diagnosis by classifying microcalcifications into one of the five types proposed by Michèle Le Gal, a classification scheme that allows radiologists to determine whether a tumor is malignant or not without the need for surgeries. The developed system uses a combination of wavelets and artificial neural networks and is embedded on an Altera DE2-115 development kit, providing equipment cheaper and more energy efficient than if it was developed to be executed on traditional computers. Results show that the system was able to classify 96.67% of tested images, which can be used as a second opinion by radiologist in breast cancer early diagnosis. Tabela I: Probabilidade de aparecimento de tumores malignos de acordo com o tipo de microcalcificação detectada [8] Type % de tumores malignos I 0 II 22 III 40 IV 66 V 100 I. INTRODUÇÃO O câncer de mama é o tipo de câncer com o segundo maior número de ocorrências e causas de morte no Brasil, atrás apenas do câncer de pele do tipo não melanoma [1]. O Instituto Nacional de Câncer (INCA) estima que no ano de 2013 52.680 novos casos dessa doença surgirão em mulheres no Brasil [2]. A forma mais eficiente de tratar essa doença é em seus estágios iniciais [3]. A detecção precoce é normalmente realizada por exames clínicos e análises de mamografias [4], utilizando-se imagens fotografadas das mamas através da aplicação de raios-x que salientam o surgimento de tumores. Associadas aos tumores estão as microcalcificações, pequenos acúmulos de cálcio que aparecem no tecido da mama [5] que podem ser visualizados pelos radiologistas ao observarem as mamografias. A análise desses elementos é importante pois pode-se identificar a presença de um tumor em estágio inicial antes mesmo que se possa ser sentido pelo médico através de exames de apalpamento. Outro fator importante da análise de microcalcificações em mamografias é que, dependendo do formato e quantidade em que aparecem, é possível para um médico determinar se um tumor é maligno ou não sem a necessidade da realização de intervenções cirúrgicas, evitando as suas complicações e a necessidade de tratamento recorrente [3]. A. A classificação de Le Gal Para auxiliar radiologistas na análise de microcalcificações através da análise visual de mamografias, Michèle Le Gal realizou um estudo em que definiu cinco tipos de microcalcificações de acordo com seus formatos, e identificou a porcentagem de tumores malignos e benignos associados Figura 1: Tipos de microcalcificação de acordo com Michèle Le Gal. Adaptado de [8] a cada um desses tipos [6]. Na Tabela I são exibidas as probabilidades de surgimento de um tumor maligno quando as microcalcificações associadas ao tumor são de um dos cinco tipos, enquanto na Figura 1 são exibidos exemplos dos cinco tipos de microcalcificação definidos por Le Gal. Esse esquema de classificação criado por Le Gal é amplamente utilizado na Europa [7]. A principal diferença entre os cinco tipos de microcalcificações definidos por Le Gal, visualizadas na Figura 1, são as seguintes: as microcalcificações do tipo I Fig. 1 (a) são arredondadas e não possuem seu interior preenchido; as do tipo II Fig. 1 (b) são arredondadas e possuem bordas lisas; as do tipo III Fig. 1 (c) são muito pequenas e sem formato definido; as do tipo IV Fig. 1 (d) são arredondadas com bordas rugosas e as do tipo V Fig. 1 (e) possuem formato de verme. Dessa forma, considerando o formato das microcalcificações, é possível desenvolver sistemas computacionais que analisam as versões digitalizadas das mamografias, as mamografias digitais, com o objetivo de identificar o formato das microcalcificações detectadas, de forma a auxiliar radiologistas na análise desses elementos. II. MATERIAIS E MÉTODOS Sistemas computacionais desenvolvidos com o objetivo de auxiliar algum tipo de diagnóstico são denominados sistemas

Figura 2: Arquitetura de Hardware Computer-Aided Diagnosis (CAD). Vários desses sistemas vêm sendo desenvolvidos para o auxílio da detecção precoce do câncer de mama, com a utilização de diversas ferramentas para atingir esse objetivo, como a transformada wavelet [9], redes neurais artificiais [10], [11], support vector machines [12] [14] e a steerable pyramid transform [15]. Em nenhum dos trabalhos pesquisados, no entanto, é realizada a classificação das microcalcificações de acordo com a classificação de Le Gal, eles apenas classificam as imagens analisadas em malignas ou benignas sem levar em consideração o formato das microcalcificações presentes nas imagens. Em trabalho utilizando a transformada de Hough, Pereira desenvolveu um sistema que classifica as microcalcificações dos tipos I, II, IV e V, e apesar de obter bons resultados para a detecção de microcalcificações dos tipos I e V, o sistema não é tão eficiente na diferenciação das microcalcificações dos tipos II e IV [8]. Dessa forma, tendo em vista auxiliar radiologistas na detecção precoce do câncer de mama, desenvolveu-se neste trabalho um sistema para realizar corretamente a classificação das microcalcificações dos cinco tipos propostos por Michèle Le Gal. A. O sistema desenvolvido A maior parte dos sistemas CAD desenvolvidos atualmente são executados em computadores comuns. Entretanto, com o avanço das tecnologias há uma tendência para que esses sistemas sejam executados de forma embarcada. As vantagens da execução de um sistema CAD em um dispositivo embarcado ao invés de em um desktop estão no menor consumo de energia [16], [17] e menor custo do equipamento [16], visto a menor quantidade de hardware necessária para a execução do sistema, além da possibilidade da criação de equipamentos que ocupam menor espaço físico [16]. Tendo em vista esses benefícios, nós desenvolvemos um sistema baseado na arquitetura Field- Programable Gate Array (FPGA) que possui hardware e software projetados especificamente para ele. O hardware do sistema foi projetado na linguagem Verilog utilizando o software Altera SOPC Builder, sendo compilado utilizando o software Altera Quartus II 12.1 Web Edition com uma representação de suas partes pode ser vista na Figura 2. O componente principal do hardware projetado é o processador Altera NIOS II, que utiliza como memória um chip SDRAM de 128 MB. O hardware ainda conta com três outros componentes: uma interface com um leitor de cartões Secure Digital (SD), um controlador de Liquid Crystal Display (LCD) e uma porta paralela que realiza a comunicação do sistema com Figura 3: Diagrama das etapas do software desenvolvido três botões do tipo push. O hardware foi desenvolvido em uma placa de desenvolvimento da Altera do modelo DE2-115. B. Componente de Software O software desenvolvido processa a imagem selecionada pelo usuário, detecta as microcalcificações presentes na imagem e realiza sua classificação, de acordo com os tipos definidos por Michèle Le Gal. O software é composto de cinco etapas, cujo diagrama pode ser visualizado na Figura 3. Na primeira etapa denominada pré-processamento o sistema adequa a imagem de entrada para o formato necessário para as demais etapas. A transformada wavelet realiza a decomposição de um sinal em dois novos sinais, utilizando a operação de downsampling, onde os novos sinais gerados possuem quantidade de coeficientes que é a metade do sinal original. Dessa forma, a etapa de pré-processamento transforma a imagem de entrada em uma imagem com tamanhos vertical e horizontal iguais, com valor que é um múltiplo de dois, de forma a evitar que a imagem de entrada, ao ser realizada a operação de downsampling, não assuma tamanhos ímpares para altura e largura. Na etapa decomposição wavelet a imagem é decomposta utilizando a wavelet Symmlets com 16 coeficientes até o quarto nível de decomposição. Nesta etapa, o sistema preenche com zeros a imagem composta pelas baixas frequências obtidas no quarto nível dessa decomposição, e em seguida, transforma a imagem de volta para o domínio espacial. Utilizou-se uma adaptação da implementação da transformada desenvolvida pelo prof. Rodrigo Capobianco Guido da USP de São Carlos. Na etapa de segmentação, utilizou-se um algoritmo de crescimento de região para encontrar sementes na imagem reconstruída da etapa anterior, obtendo-se desta forma os demais pixels que pertencem às regiões de interesse da imagem. Esse algoritmo é uma melhoria do algoritmo desenvolvido em [18], mas com alterações realizadas para diminuir o consumo de memória. Ao invés de utilizar um algoritmo recursivo, utilizouse um algoritmo que controla a sua própria pilha de pixels a serem analisados. Dessa forma, a quantidade de memória necessária para que o novo algoritmo seja executado é 73% menor que a do algoritmo anterior, enquanto ele demora em média 40% menos de tempo que aquele algoritmo ao processar uma imagem. Na etapa de classificação são coletadas informações sobre cada microcalcificação detectada para serem apresentadas a uma Rede Neural Artificial (RNA) para que a classificação seja realizada. Como os tipos de microcalcificações definidos

Figura 4: Possíveis direções de crescimento de uma microcalcificação Tabela II: Intervalos de ângulo utilizados para cada direção de crescimento de uma microcalcificação Direção Intervalo 0 o [0 o, 20 o ] e [160 o, 180 o ] 45 o (20 o, 70 o ) 90 o [70 o, 110 o ) 135 o [110 o, 160 o ) Figura 5: Exemplo de arquivo de resultados do processamento de uma imagem por Le Gal são baseados em seus formatos, decidiu-se extrair quatro características de cada microcalcificação, com o objetivo de que essas características possam diferenciar unicamente as microcalcificações de cada tipo. As características extraídas são: área (para identificar microcalcificações do tipo III); valor médio de nível de cinza (para identificar microcalcificações do tipo I); coeficiente de rugosidade das bordas como definido em [18] (para identificar microcalcificações dos tipos II e IV); e a razão entre comprimento e largura da microcalcificação, para identificar as do tipo V. Para obter o comprimento de cada microcalcificação, calculamos a distância euclidiana entre os dois pontos mais distantes da microcalcificação, e a largura é calculada como a distância entre os pixels mais distantes na perpendicular do comprimento. Definimos que uma microcalcificação pode possuir uma de quatro possíveis direções de crescimento, de acordo com o ângulo formado entre ela e o eixo-x (0 o, 45 o, 90 o e 135 o ). Na Figura 4 é exibida uma imagem destacando os sentidos de cada uma das possíveis direções, e na Tabela II são exibidos os intervalos de ângulo utilizados para cada uma das direções. Com a direção do crescimento da microcalcificação conhecida, a largura é calculada através de um algoritmo de crescimento de região aplicado na direção perpendicular à direção calculada. Dessa forma, a razão entre o comprimento e a largura da microcalcificação pode ser calculada, e as quatro informações recolhidas da microcalcificação (área, valor médio de tonalidade, coeficiente de rugosidade e razão entre comprimento e largura) são apresentadas a uma RNA MultiLayer Perceptron de três camadas, utilizada para realizar a classificação dessa microcalcificação. A RNA possui quatro neurônios na camada de entrada, doze na camada intermediária e cinco (um para cada tipo de microcalcificação) na camada de saída. Os valores de ativação dos neurônios variam no intervalo [ 1, +1], e uma microcalcificação é classificada como sendo de um dos cinco tipos se o neurônio da camada de saída associado a um desses tipos possui valor de ativação superior a 0,7, enquanto todos os demais neurônios da camada de saída devem possuir valor de ativação inferior a 0,7. Em qualquer outro caso, a microcalcificação é classificada como indefinida. A RNA foi treinada utilizando o algoritmo de retropropagação (backpropagation) utilizando o método do gradiente descendente. Foram utilizadas dezesseis imagens de cada tipo de microcalcificação no treinamento, em um total de oitenta imagens utilizadas como padrões de treinamento. Cada padrão foi apresentado ao sistema em ordem aleatória, e o treinamento foi encerrado quando cada padrão foi reconhecido corretamente com valor de neurônio de ativação superior a 0,9. Foram realizadas ao todo 4.471 iterações, e o tempo total de treinamento foi de 21,47 segundos. A última etapa executada pelo sistema é a etapa de armazenamento de resultados, onde as informações sobre o processamento da imagem de entrada são armazenadas no cartão SD conectado à placa DE2-115. O sistema armazena um arquivo do tipo extensible Markup Language (XML) contendo os dados relativos ao processamento de cada microcalcificação detectada (os valores das informações extraídas, a classificação realizada e o valor de ativação de cada neurônio da camada de saída da RNA). Na Figura 5 é exibida parte de um arquivo desse tipo, contendo os valores do processamento de uma microcalcificação detectada em uma imagem. Para que o usuário possa identificar a microcalcificação detalhada no arquivo de resultados, o sistema atribui um valor único (iniciando em 1) para cada microcalcificação detectada, de acordo com a ordem em que as microcalcificações são detectadas na imagem, e esse valor é exibido no arquivo de resultados através da tag XML denominada number, como pode ser visto na Figura 5. Para associar esse número com uma das microcalcificações presentes na imagem de entrada, o sistema também armazena uma cópia da imagem de entrada com as microcalcificações detectadas automaticamente numeradas, de acordo com o valor utilizado no arquivo de resultados. Na Figura 6 é exibido um exemplo de uma imagem desse tipo, onde as microcalcificações detectadas foram numeradas automaticamente pelo sistema. Todo o software foi escrito utilizando a linguagem de programação C++ utilizando o padrão definido pelo American National Standards Institute (ANSI), para garantir a padronização do código. Foi utilizado o ambiente de desenvolvimento Nios II 12.1 Software Build Tools for Eclipse para escrever o código, e também foram utilizadas bibliotecas desenvolvidas pela Altera através do seu programa universitário

Figura 6: Exemplo de imagem com microcalcificações numeradas automaticamente pelo sistema Figura 7: Exemplo de imagem resultante do processamento Tabela III: Resultado geral da classificação das imagens de teste processadas pelo sistema desenvolvido Tipo Classificações corretas Classificações incorretas I 100,00% 4,76% II 85,71% 0,00% III 97,62% 2,38% IV 100,00% 0,00% V 100,00% 4,76% para programar o LCD, o controlador de cartão SD e a porta paralela utilizada para comunicar o sistema com os botões do tipo push. Para utilizar o sistema, o usuário deve gravar as imagens de entrada no formato PCX no cartão SD e inseri-lo no leitor de cartões SD da placa DE2-115. Após a inserção do cartão, é exibida no LCD uma lista contendo os nomes das imagens localizadas no cartão, e o usuário utiliza os botões do tipo push da placa DE2-115 para informar qual imagem será processada. Ao término do processamento, é exibida no LCD uma informação indicando ao usuário o fim do processamento, sendo que os dados de saída são armazenados no cartão SD. III. RESULTADOS Para avaliar o sistema desenvolvido utilizou-se simulações de imagens de microcalcificações (baseadas em imagens reais) de uma base de dados pessoal, todas diferentes das imagens utilizadas no treinamento da RNA. Cada imagem utilizada nos testes possui uma microcalcificação de cada tipo, além de simulações de elementos formados por componentes de alta frequência e de veias, para verificar a identificação de falsos positivos por parte do sistema. Ainda, utilizou-se o software SciLab para adicionar diferentes níveis de ruído do tipo Gaussiano nas imagens de teste, para verificar se alguma microcalcificação deixaria de ser detectada. Ao todo, foram utilizadas 210 imagens para testar o sistema. As imagens de teste possuem tamanho de 60x60 pixels, com 8 bits de resolução. A Tabela III exibe a porcentagem de microcalcificações de cada tipo classificadas corretamente pelo sistema, bem como a porcentagem de microcalcificações classificadas incorretamente como desse tipo. Na Figura 7 é exibido um exemplo de imagem de teste com ruído em que todas as microcalcificações foram detectadas corretamente. Nessa figura, a microcalcificação 1 é do tipo II, a 2 do tipo IV, a 3 do tipo III, a 4 do tipo I e a 5 do tipo V. No processamento de todas as imagens de testes, mesmo com a adição de ruído, nenhum falso positivo foi detectado, e nenhuma microcalcificação deixou de ser detectada. A taxa de acerto global atingida pelo sistema foi de 96.67%. Cada figura demorou em média 3 segundos para ser processada, e não ocorreu nenhum problema tanto em relação à execução quanto em relação à falta de memória durante a execução das imagens. IV. CONCLUSÃO O sistema apresentado neste artigo foi capaz de classificar corretamente microcalcificações dos cinco tipos propostos por Michèle Le Gal, possibilitando sua utilização como uma segunda opinião para radiologistas em relação ao câncer de mama. A utilização da placa DE2-115 e do processador Nios II possibilitou a criação do sistema de forma embarcada, visando a obtenção de um equipamento menor, mais barato e que consome menor quantidade de energia elétrica do que se ele fosse criado para ser executado em um computador tradicional. Estamos em contato com radiologistas para conseguir novas imagens de mamografias digitais para testar a eficácia do sistema desenvolvido em imagens reais. ACKNOWLEDGMENT Os autores gostariam de agradecer ao CNPq (Conselho Nacional de Desenvolvimento Científico e Tecnológico) pelo suporte financeiro ao desenvolvimento desse trabalho, processo número 309023/2012-2. REFERÊNCIAS [1] INTERNATIONAL AGENCY FOR RESEARCH ON CANCER, Globocan 2008: Country fast stat, 2010. [2] INSTITUTO NACIONAL DE CÂNCER JOSÉ ALENCAR GO- MES DA SILVA, Estimativa 2012: Incidência de Câncer no Brasil, Coordenação Geral de Ações Estratégicas, Rio de Janeiro, 2011. [3] WORLD HEALTH ORGANIZATION, World Cancer Report 2008, WORLD HEALTH ORGANIZATION, Lyon, 2008. [4] J. HUANG, J. LI, and T. LIU, A new fast fractal coding method for the detection of microcalcifications in mammograms, in 2011 International Conference on Multimedia Technology, Hangzhou, 2011, pp. 4768 4771. [5] R. F. COX and M. P. MORGAN, Microcalcifications in breast cancer: Lessons from physiological mineralization, Bone, vol. 53, no. 2, pp. 437 450, 2013. [6] M. LE GAL, D. PELLIER, and G. CHAVANNE, Valeur diagnostique des microcalcifications groupées découvertes par mammographies, Bull Cancer, vol. 71, pp. 57 64, 1984. [7] F. ZANCA and D. P. et al Chakraborty, An improved method for simulating microcalcifications in digital mammograms, Medical Physics, vol. 35, no. 9, pp. 4012 4018, 2008. [8] A. S. PEREIRA, Processamento de imagens médicas utilizando transformada de Hough, Ph.D. thesis, Sao Paulo University, 1995. [9] C. B. R FERREIRA and D. L. BORGES, nalysis of mammogram classification using a wavelet transform decomposition, Pattern Recognition Letters, vol. 24, pp. 973 982, 2003. [10] A. P. DHAWAN and Y. S. et al CHITRE, Classification of mammographic microcalcification and structural features using an artificial neural network, in Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 1991, vol. 13, pp. 1105 1106.

[11] R. R. HERNÃNDEZ-CISNEROS and H. T. TERASHIMA-MARÃN, Evolutionary neural networks applied to the classification of microcalcification clusters in digital mammograms, in IEEE Congress on Evolutionary Computation, Vancouver, 2006, pp. 2459 2466. [12] A. TIRTAJAYA and D. SANTIKA, Classification of microcalcification using dual-tree complex wavelet transform and support vector machine, in Second International Conference on Advances in Computing, Control and Telecommunication Technologies, 2010, pp. 164 166. [13] J. DHEEBA and T. SELVI, Classification of malignant and benign microcalcification using svm classifier, in International Conference on Emerging Trends in Electrical and Computer Technology, 2011, pp. 686 690. [14] S. LAHMIRI and M. BOUKADOUM, Dwt and rt-based approach for feature extraction and classification of mammograms with svm, in 2011 IEEE Biomedical Circuits and Systems Conference, 2011, vol. 24, pp. 412 415. [15] A. B. HUDDIN, B. W. H. NG, and D. ABBOTT, Investigation of multiorientation and multiresolution features for microcalcifications classification in mammograms, in Seventh International Conference on Intelligent Sensors, Sensor Networks and Information Processing, 2011, pp. 52 57. [16] J. U. CHO and S. H. et al Jin, Fpga-based real-time visual tracking system using adaptive color histograms, in IEEE International Conference on Robotics and Biomimetics, 2007, pp. 172 177. [17] C. TTOFIS and T. THEOCHARIDES, Towards accurate hardware stereo correspondence: A real-time fpga implementation of a segmentation-based adaptive support weight algorithm, in Design, Automation & Test in Europe Conference & Exhibition, mar 2012, pp. 703 708. [18] T. A. DOCUSSE and A. S. et al PEREIRA, Microcalcification border characterization using wavelets on digital mammograms, IEEE Engineering in Medicine and Biology Magazine, vol. 28, no. 5, pp. 41 43, 2009.