Pré-diagnóstico de câncer de mama usando imagens histopatológicas com pré-processamento morfológico por meio de algoritmos clássicos e redes neurais profundas

Abstract

RESUMO: O câncer de mama é o tipo de câncer mais diagnosticado e é a principal causa de morte por câncer em mulheres em todo mundo. Porém, quando tratado adequadamente e em tempo oportuno, apresenta bom prognóstico. Avanços no campo de Inteligência Computacional viabilizam a utilização de sistemas de pré-diagnóstico automatizado para a tarefa de detecção de câncer de mama a partir de imagens histopatológicas. Entretanto, as pesquisas dedicadas à área não exploram profundamente a utilização de modelos de classificação de aprendizado de máquina, aliados ao pré-processamento das imagens selecionadas, particularmente com o uso de operações morfológicas. Neste trabalho, realizamos uma investigação das performances de algoritmos clássicos e de modelos de redes neurais convolucionais utilizando diferentes tipos de pré-processamento morfológico no conjunto de dados, visando auxiliar o pré-diagnóstico de câncer de mama. Os modelos recebem como entrada imagens histopatológicas e retornam o diagnóstico de que o tumor presente é benigno ou maligno. Além disso, o tipo histológico do tumor é predito. Para isso, utilizamos alguns algoritmos clássicos de aprendizado de máquina e redes neurais convolucionais com as arquiteturas ResNet-50, ResNet-101 e EfficientNet-B4, treinadas utilizando o conjunto de dados histopatológicos de câncer de mama BreakHis e quatro de suas variações, geradas a partir da aplicação de operadores morfológicos específicos. Os experimentos evidenciaram a capacidade das redes neurais de lidarem com tarefas de classificação complexas. No entanto, o uso de transformações morfológicas teve impacto positivo somente nos algoritmos clássicos. Ademais, ao variar o tipo de elemento estruturante, constatou-se um aumento na acurácia dos mesmos algoritmos. Por fim, a análise dos falsos negativos ressaltou a importância de desenvolver modelos de detecção de câncer de mama que se concentrem na redução dessas ocorrências. Os resultados obtidos indicam que investigações mais detalhadas podem ser realizadas utilizando outros tipos de elementos estruturantes, bem como outros modelos e variação de hiperparâmetros.

ABSTRACT: Breast cancer is the most diagnosed type of cancer and is the leading cause of cancer death in women worldwide. However, when treated properly and in a timely manner, it has a good prognosis. Advances in the field of Computational Intelligence enable the use of automated pre-diagnosis systems for the task of detecting breast cancer from histopathological images. However, research dedicated to the area does not deeply explore the use of machine learning classification models, combined with the pre-processing of selected images, particularly with the use of morphological operations. In this work, we investigated the performances of classical algorithms and convolutional neural networks using different types of morphological pre-processing, aiming to help the pre-diagnosis of breast cancer. The models receive histopathological images as input and output whether the present tumor is benign or malignant. In addition, the histological type of the tumor is predicted. For this, we used classic machine learning algorithms and convolutional neural networks with the architectures ResNet-50, ResNet-101 and EfficientNet-B4, trained using the histopathological breast cancer dataset BreakHis and four of its variations, generated from the application of specific morphological operators. Experimental results showed the ability of neural networks to handle complex classification tasks. However, the use of morphological transformations had a positive impact only on classical algorithms. Moreover, when varying the type of structuring element, an increase in the accuracy of the same algorithms was verified. Finally, the analysis of false negatives highlighted the importance of developing breast cancer detection models that focus on reducing these occurrences. The obtained results indicate that other types of structuring elements may improve the classification performance as well as other models and variations of hyperparameters.