O câncer é uma doença que se origina de células mutantes, sem causas bem conhecidas ainda, que se reproduzem descontroladamente, aumentando a perfusão sanguínea e, consequentemente, ocasionando um aumento da temperatura da região tumoral. Essa temperatura é irradiada para a pele e pode ser medida por câmeras térmicas. Tendo em vista que o corpo humano é um sistema praticamente simétrico em relação ao plano sagital (i.e. ao plano que divide o corpo em parte direita e esquerda), a presença de uma grande alteração no padrão térmico entre as mamas esquerda e direita, é um importante indício de presença de patologias. Este trabalho tem por objetivo verificar a viabilidade do uso de técnicas de reconhecimento de padrões na classificação das imagens disponiveis no projeto ProENG com pacientes saudáveis ou com portadoras de alguma patologia da mama. Para tanto, destas imagens são extraídas características que permitirão a sua classificação através de técnicas de Inteligência Artificial. Utilizou-se características de três grupos distindos: estatísticas simples, baseadas na geometria fractal e características de fundamentação geoestatística. Foram testados três classificadores, SVM, KNN e Naïve Bayes e duas técnicas de redução de características: PCA e Ganho de Informação. Os resultados se mostraram bastante promissores com uma acurácia próxima de 90% e área abaixo da curva ROC próxima de 0,9.
Cancer is a class of diseases characterized by out-of-control cell growth, they have lost their function in tissue and do not die. This reproduction increases the local temperature because new blood vessels, neo-angiogenesis, are promoted by cancer cells. The medical thermography is a way to acquire the skin temperature and analyze these patterns. The human body is almost symmetric considering the sagittalplane that is the plane that divides the body in right and left parts, when there are great changes in the temperature pattern between right and left breast possible pathology must be investigated. This work aims to explore the possibilities of pattern recognition techniques on the classification of the images from the ProENG project as from healthy orpathological mamma. Threedifferent groups of feature are extracted from the thermal images of this project: statistic features, fractal geometry based features and geo-statistic features. Three classifiers have been tested: SVM, KNN and Naïve Bayes. Additionally two feature reduction techniques have been used: PCA and Information Gain Ratio. The results are promising: 90% of accuracy and 0.9 for the area under ROC.
El cáncer es una enfermedad que se origina a partir de células mutantes, sin causas aún bien conocidas, que se reproducen sin control, aumentando la perfusión sanguínea y, en consecuencia, provocando un aumento de la temperatura de la región tumoral. Esta temperatura se irradia a la piel y se puede medir con varios dispositivos, como termómetros y cámaras térmicas. En termografía médica (mediante cámaras infrarrojas), tras obtener la imagen térmica, se realiza el análisis y la identificación de patrones térmicos. Teniendo en cuenta que el cuerpo humano es un sistema prácticamente simétrico con relación al plano sagital (es decir, el plano que divide el cuerpo en partes derecha e izquierda), la presencia de una gran alteración en el patrón térmico entre las mamas izquierda y derecha es una indicación importante de la presencia de patologías. Este trabajo tiene como objetivo comprobar la viabilidad del uso de técnicas de reconocimiento de patrones en la clasificación de las imágenes disponibles en el proyecto ProENG con pacientes sanas o con pacientes con alguna patología mamaria. Para ello, de estas imágenes se extraen características que permitirán su clasificación mediante técnicas de Inteligencia Artificial. Se utilizaron características de tres grupos distintos: estadísticas simples, basadas en geometría fractal y características basadas en geoestadísticas. Se probaron tres clasificadores, SVM, KNN y Naïve Bayes, y dos técnicas de reducción de características: PCA y Ganancia de Información. Los resultados se mostraron muy prometedores con una precisión cercana al 90% y un área bajo la curva ROC cercana al 0,9%.
