| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 2.13 MB | Adobe PDF |
Authors
Abstract(s)
Ao longo das últimas duas décadas, a MWI (imagiologia por micro-ondas) tem
atraído um crescente interesse para aplicações em diversas áreas da medicina,
nomeadamente no diagnóstico do cancro da mama. A razão prende-se com o
contraste dielétrico significativo existente entre os tecidos normais e os tecidos
tumorais da mama (os tecidos tumorais apresentam um teor de água mais elevado)
que quando expostos a frequências da gama das micro-ondas provocam
uma maior dispersão do sinal.
Paralelamente a essas investigações decorrem estudos sobre a classificação desses
sinais de micro-ondas utilizando técnicas de ML (aprendizagem automática).
Enquadrada nesse âmbito, a presente dissertação pretende criar modelos de classificação
e validar a viabilidade prática da mesma, com o objetivo de auxiliar os
técnicos de saúde a tomarem as melhores decisões sobre os tratamentos e intervenções
a efetuar em cada caso clínico.
Neste estudo, após a preparação e separação dos dados, é realizada a extração
de caraterísticas através de DWT (Transformada discreta de wavelet), Wavelets interpolatórias
e PCA (Análise de componentes principais), seguida da classificação
usando SVM (Máquinas de vetores de suporte), LDA (Análise discriminante
linear) e Random Forests. O melhor resultado de classificação do tamanho do
tumor foi obtido com SVM e PCA, tendo sido obtido consistentemente melhor
desempenho sempre que foi utilizada a média dos sinais das antenas. Também
na classificação do tamanho do tumor se verificaram melhores resultados do que
na classificação da sua malignidade.
Over the last two decades, the MWI (Microwave Imaging) has spiked interest in applications on several branches of medicine, namely in breast cancer diagnosis. The significantly dielectric contrast between normal and tumor tissues (tumor tissues having a higher water content) produces a noticeably different response of those tissues to the microwave radiation. Investigations about the classification of those signals using Machine Learning, are also running along with these developments. This study will attempt to create classification models for microwave signals taken from the MWI, with the goal of optimizing the best choices of health specialists when it comes to performing treatments and interventions in each different clinic episode. In this study, after data pre-processing and splitting, feature extraction was done using DWT (DiscreteWavelet Transform), InterpolatoryWavelets and PCA (Principal Components Analysis), followed by the classification itself with SVM (Support Vector Machines), LDA (Linear Discriminant Analysis) and Random Forests. The best result for tumour size was achieved with SVM and PCA, being observed better classification performance when the average of the antennas’ signals was used. Classification of tumor size also obtained better results than the classification of its malignity.
Over the last two decades, the MWI (Microwave Imaging) has spiked interest in applications on several branches of medicine, namely in breast cancer diagnosis. The significantly dielectric contrast between normal and tumor tissues (tumor tissues having a higher water content) produces a noticeably different response of those tissues to the microwave radiation. Investigations about the classification of those signals using Machine Learning, are also running along with these developments. This study will attempt to create classification models for microwave signals taken from the MWI, with the goal of optimizing the best choices of health specialists when it comes to performing treatments and interventions in each different clinic episode. In this study, after data pre-processing and splitting, feature extraction was done using DWT (DiscreteWavelet Transform), InterpolatoryWavelets and PCA (Principal Components Analysis), followed by the classification itself with SVM (Support Vector Machines), LDA (Linear Discriminant Analysis) and Random Forests. The best result for tumour size was achieved with SVM and PCA, being observed better classification performance when the average of the antennas’ signals was used. Classification of tumor size also obtained better results than the classification of its malignity.
Description
Dissertação para obtenção do grau de mestre em Engenharia Informática e de Computadores
Keywords
Imagiologia por micro-ondas Microwave imaging Cancro da mama Breast cancer Aprendizagem automática Machine learning Modelos de classificação Classification models
Citation
NUNES, José Paulo dos Santos - Classificação automática de cancro da mama em imagiologia por micro-ondas. Lisboa: Instituto Superior de Engenharia de Lisboa, 2019. Dissertação de mestrado.
Publisher
Instituto Superior de Engenharia de Lisboa