Classificação do câncer colorretal baseada na associação de características multidimensional e multirresolução

Abstract

Neste trabalho, um método foi proposto a partir da combinação entre técnicas fractais multiescalas e multidimensionais, transformada curvelet e descritores de Haralick para o estudo e reconhecimento de padrões do câncer colorretal nos estágios T3 e T4. Esta combinação ainda não foi explorada na literatura. O método foi baseado em uma abordagem para seleção de características e diferentes técnicas de classificação para avaliar as combinações, tais como árvore de decisão, floresta aleatória, máquina de vetores de suporte, naive bayes, k-estrela e um método polinomial. Os testes foram avaliados a partir da validação cruzada com 10-folds. A estratégia proposta permitiu realizar interpretações mais precisas ao considerar as melhores associações para separar as classes benigno e maligno de imagens histológicas colorretais. O melhor resultado foi uma taxa de AUC de 0,994, com características baseadas principalmente em lacunaridade e percolação obtidas a partir de subimagens curvelet, aplicando um classificador polinomial. O desempenho obtido com uma análise detalhada envolvendo diferentes tipos de características e classificadores são contribuições importantes para patologistas e especialistas interessados no estudo do câncer colorretal.

In this study, a method is proposed that associates multidimensional fractal techniques,curvelettransformsandHaralickfeaturesforthestudyandpatternrecognition of colorectal cancer in stages T3 and T4, a combination not yet explored in the literature. The method considered a feature selection approach and different classification techniques for evaluating combinations, such as decision tree, random forest, support vector machine, naive bayes, k-star and a polynomial method. This strategy allowed formorepreciseinterpretationsregardingthebestassociationsfortheseparationinto benign and malignant classes concerning colorectal histological images. The best result was reached with features based mainly on lacunarity and percolation obtained from curvelet sub-images, using a polynomial classifier. The tests were evaluated by applying the 10-fold cross-validation and the best result was a rate of AUC = 0.994. The obtained performance with a detailed analysis involving different types of features and classifiers are important contributions both to pathologists and specialists interested in the study of colorectal cancer.