Modelos de Aprendizado de Máquina na Detecção de Câncer de Mama Utilizando Características GLCM e de Primeira Ordem

Abstract

Entre as mulheres, o câncer de mama é um dos tipos de câncer com maior incidência e letalidade no mundo. Apesar da alta taxa de letalidade, o câncer de mama tem alta porcentagem de cura e diagnósticos favoráveis quando diagnosticado em estágios iniciais. A mamografia é considerada o melhor método de detecção, contudo, suas imagens são complexas, o que torna a análise diagnóstica suscetível a erros. Uma das formas de reduzir os erros é o uso de métodos computadorizados para auxílio ao diagnóstico. Com o objetivo de contribuir para o diagnóstico preciso desta doença, neste trabalho, comparamos três modelos de aprendizado de máquina na detecção de câncer de mama usando o banco de imagens de mamografia MIAS, a partir de características extraídas da matriz de co-ocorrência de níveis de cinza (GLCM) e de primeira ordem. Os modelos avaliados são o K-Nearest neighbor (KNN), random forest e XGBoost. Os resultados mostram que os modelos testados não obtiveram resultados com alto grau de precisão. Entre os modelos avaliados, o XGBoost obteve o melhor resultado de detecção.

Keywords

• Características de primeira ordem
• Matriz de co-ocorrência de níveis de cinza
• Aprendizado de máquina
• Detecção de câncer de mama