Uma Análise Híbrida para Detecção de Anomalias da

Uma Análise Híbrida para Detecção de Anomalias da Mama Usando
Séries Temporais de Temperatura
O câncer de mama é o segundo tipo de câncer mais comum no mundo. O diagnóstico e o
tratamento em estágios iniciais aumentam as chances de cura da paciente. A temperatura de tecidos
cancerosos é geralmente mais alta do que a de tecidos vizinhos saudáveis, tornando a termografia uma
opção a ser considerada em estratégias de rastreamento deste tipo de câncer. Esta tese propõe uma
metodologia híbrida de análise da Termografia Infravermelha Dinâmica com o objetivo de detectar
anomalias da mama, entre elas o câncer, utilizando técnicas de aprendizagem de máquina não
supervisionada e supervisionada, o que caracteriza a metodologia como híbrida. Para alcançar esse
objetivo, um protocolo de execução Termografia Infravermelha Dinâmica foi estabelecido. A sequência
de termogramas capturada de cada paciente, executando o protocolo estabelecido, é processada e
analisada por várias técnicas. Primeiramente, a região das mamas é segmentada e os termogramas da
sequência são registrados. Então, séries temporais de temperatura são construídas e o algoritmo kmeans é aplicado sobre essas séries usando vários valores de k. Índices de validação de agrupamento
são aplicados para avaliar os grupos formados para cada valor de k, gerando valores tratados como
características na etapa de construção do modelo de classificação. Na fase de avaliação da metodologia,
ferramentas de mineração de dados são usadas para resolver o problema de seleção de algoritmos e
otimização de parâmetros em tarefas de classificação, mais conhecido como CASH (Combined
Algorithm Selection and Hyperparameter Optimization Problem). Além dos algoritmos de classificação
recomendados pelas ferramentas de mineração de dados, classificadores baseados em redes
Bayesianas, redes neurais, máquina de vetores de suporte e árvore de decisão, foram testados na
avaliação. Os resultados dos testes indicam que a metodologia proposta é capaz de detectar anomalias
de mama, contribuindo para que o exame termográfico seja adotado em programas de rastreamento
organizado de câncer de mama. Dentre os 39 algoritmos de classificação testados, K-Star e Bayes Net
apresentaram acurácia de 100%. Além disso, foi obtida uma acurácia média de 95,71% entre os
algoritmos de classificação: Bayes Net, Multi-Layer Perceptron, LibSVM e J48.