Descoberta de Conhecimento em Base de Imagens Mamográficas

1. Descoberta de Conhecimento em Base de Imagens Mamográficas Adriana Cristina Giusti Corrêa Prof. Dr. Homero Schiabel

2. Contextualização • Utilização de uma ferramenta de mineração de dados baseada em regras de associação; • Regras de Associação  base de imagens mamográficas  descoberta de conhecimento implícito; • Base de imagens = informações dos laudos radiológicos de mamografias, as imagens mamográficas digitalizadas, e dados do prontuário médico de cada paciente; • Objetivo: descobrir uma pré-disposição ao câncer de mama.

3. Base de Imagens Mamográficas (LAPIMO) • Elaboração da base: início em 1998 • Alimentada com imagens mamográficas digitalizadas e informações provenientes de laudos radiológicos • Digitalização: scanners laser do tipo Lumiscan, armazenadas em formato TIFF • Obtenção: Diversos hospitais, tais como Hospital São Paulo e Hospital Pérola Byington em SP, Hospital das Clínicas da FMRP/USP em Ribeirão Preto/SP, Santa Casa de São Carlos/SP e Hospital das Clínicas da UNESP em Botucatu/SP • Total de imagens: mais de 3300 imagens referentes a mais de 700 pacientes.

4. Descoberta de Conhecimento (KDD) • KDD  informações implícitas em Banco de Dados  suporte às decisões • KDD & CAD • Image Mining • Data Mining Datawarehouse Mamográfico KDD

5. Etapas da KDD

6. Regras de Associação • Possibilitam encontrar regras do tipo X  Y • Suporte e Confiança: restrição de regras • Suporte: elimina regras com pouca freqüência • Confiança: indica o grau de acerto da regra • Regra de associação = X  Y • X={x1,x2,...,xn} e Y={y1,y2,...,ym} são conjuntos de itens • se a característica X está presente, provavelmente a característica Y também estará. • Exemplo: imagens de raios-X • Algoritmo: APriori - é o mais conhecido e de fácil utilização para encontrar regras associativas.

7. WEKAWaikato Environment for Knowledge Analysis • Formato ARFF @relation table @attribute field1 {option1,option2,option3} @attribute field2 numeric ... @data option1,20 option3,40 option2,10 ...

8. Metodologia • Dados: base de imagens mamográficas (LAPIMO) • Seleção: informações dos laudos radiológicos • Processamento: padronização, eliminação de dados duplicados • Transformação: formato ARFF • Mineração: WEKA (APriori) • Interpretação / Avaliação

9. Resultados • Amostragem: 100 pacientes • 13 casos onde: • Pacientes relataram nódulos palpáveis, não foram encontrados nódulos e nem calcificações nos laudos • Havia antecedentes familiares em 12 destes casos. Grau de acerto da regra: 92%. • 11 casos onde: • Pacientes não relataram nódulos palpáveis, não há precedentes de câncer na família • Foram encontrados nódulos em 11 casos e calcificações em 10 casos. Grau de acerto: 91%. • Atenção do médico: pacientes com ausência de nódulos palpáveis, ausência de câncer na família podem apresentar nódulos nas mamografias e calcificações mamárias. • Outras informações: utilização de anticoncepcionais, idade da telarca, paciente submetida a tratamento de reposição hormonal, etc, também poderiam ser integrantes das informações de entrada para a mineração. • Tal procedimento possibilita a produção de regras envolvendo tais informações, as quais podem ser utilizadas pelos médicos no auxílio às decisões.

10. Conclusão • Utilização de KDD para extrair informações implícitas que auxiliam o médico na tomada de decisões • Avaliação detalhada da paciente: • Utilização de anticoncepcionais • Densidade da mama • Reposições hormonais • Nódulos palpáveis • Câncer na família • Idade da telarca • Etc.

11. Agradecimentos Departamento de Engenharia Elétrica Escola de Engenharia Elétrica EESC/USP – São Carlos Contatos: Adriana – acgcorrea@sel.eesc.usp.br Prof. Homero – homero@sel.eesc.usp.br Laboratório de Análise e Processamento de Imagens Médicas e Odontológicas http://ladi.sel.eesc.usp.br/lapimo/lapimo.htm