O câncer de mama é o tipo mais comum de câncer que afeta a vida das mulheres em todo o mundo. Dados recentemente publicados pela Organização Mundial de Saúde (OMS) estimam que, nas mulheres, 23% de novos diagnósticos da doença e 14% dos óbitos relacionados ao câncer em mulheres são devidos ao câncer de mama. No Brasil, segundo dados do Instituto Nacional do Câncer(INCA), 29% dos casos novos em 2018 foram do câncer de mama com mortalidade de 16%. Ou seja, dados superiores à média mundial.
A ferramenta mais eficaz para reduzir a carga associada ao câncer de mama consiste na detecção precoce por meio de programas de rastreamento do câncer de mama, que geralmente usam mamografia para exames de imagem da mama. O rastreamento mamário utilizando mamografia compreende várias etapas, que incluem a detecção e a análise de lesões, como massas e calcificações, que são usadas para estimar o risco de o paciente desenvolver câncer de mama.
Um sistema de digital para processamento de imagens (CAD- computeraided design) que pode analisar as lesões mamárias a partir de mamografias geralmente compreende as seguintes etapas:
1.Imagens de entrada – é a imagem do corpo a ser estudada.
2. Redução de Ruído – é a limpeza da imagem através da aplicação de filtros.
3. Extração de ROI( Regions of interest) – é a seleção da área de interesse para o diagnóstico
4. Segmentação – é a divisão da ROI em diversos segmentos
5. Extração de recursos( features) – Depois de segmentar a massa do ROI, calcula-se um conjunto de recursos relacionados à geometria e à textura do limite. Uma massa benigna típica tem um contorno redondo, suave e bem circunscrito, enquanto o limite de um tumor maligno é geralmente especulado, áspero e embaçado.
6. Seleção de recursos(features) – É a seleção dos característica que farão parte do interesse do diagnóstico
7. Classificação – A tarefa principal do classificador é categorizar o ROI considerando as características geométricas e de texturas como benignas ou malignas.
Métodos Deep Learning na Mamografia
O uso bem-sucedido e o desenvolvimento de métodos de Deep Learning motivaram a comunidade de análise de imagens médicas a investigar a aplicação de tais métodos nos problemas de segmentação e classificação. Em comparação com os métodos mais tradicionais, Deep Learning oferece as seguintes vantagens claras:
1.Aprendizagem automatizada dos recursos (extração de features) baseada em funções específicas de detecção, segmentação e classificação.
2. Oportunidade de construir sistemas “fim-a-fim” que captam imagens, detectam, segmentam e classificam a lesão mamária usando um modelo simples e um processo de treinamento unificado. Essa é a principal vantagem e o objetivo a ser perseguidos nos próximos anos
No entanto, o principal desafio enfrentado pelos métodos de Deep Learning é a necessidade de grandes conjuntos de diagnósticos para treinamento . Este problema é particularmente importante na aplicação de análise de imagens médicas, onde os conjuntos para treinamento raramente têm mais do que algumas milhares de amostras. Dessa forma uma grande quantidade de pesquisas está focada na adaptação de métodos de Deep Learning para aplicações de análise de imagens médicas que contenham conjuntos de treinamento diagnosticado relativamente pequenos.
Uma abordagem para viabilizar Deep Learning com datasets de pequeno volume é utilizar um modelo estruturado de saída. A suposição aqui é que Deep Learning sozinho não pode produzir resultados que são precisos devido ao problema de tamanho de conjunto de treinamento mencionado acima. A alternativa é combinar esses modelos com outro modelo que faz suposições e inferências sobre a aparência e forma de massas, então é possível ter uma segmentação de massa mamária que produza resultados precisos. Ou seja criar um contorno para a escassez de diagnósticos documentados.
Outra possibilidade diante do quadro de pouca informação é agir na fase de prevenção da doença, buscando uma classificação em um nível menos abrangente apenas para identificar o se há risco de desenvolver ou não a doença através de um ranking que classifica a densidade e textura da mama
Conclusão
É claro que o uso de Deep Learning está permitindo melhorias de precisão em termos de detecção de massa, segmentação e classificação. A questão do tamanho do conjunto de dados de treinamento com o uso de técnicas de regularização ou a combinação de diferentes abordagens podem compensar a generalização relativamente pobre de métodos de Deep Learning treinados com poucos diagnósticos. Mais é importante ressaltar que Deep Learning também está permitindo a implementação de novas aplicações focado em classificações de alto nível que não dependem da segmentação da lesão. O diagnóstico para essas tarefas de nível superior é prontamente disponibilizada a partir de conjuntos de dados clínicos, que geralmente contêm milhões de casos que podem ser usados para treinar modelos de Deep Learning de maneira mais robusta. Essas novas aplicações estão introduzindo uma mudança de paradigma em como se realiza mamografias: do processo de três estágios clássico (detecção, segmentação e classificação de lesões) treinados com conjuntos de dados pequenos , para um processo de uma apenas etapa que consiste em detecção e classificação de lesões treinadas com grandes conjuntos de dados históricos.
Nós da HVS Sistemas Cognitivos nos empenhamos em atingir o estado da arte na construção de algoritmos para área médica e ajudar a construir um novo conceito de Medicina Digital ,onde o paciente seja o foco principal de todos os cuidados. Soluções que transformam a vida das pessoas.
