Uso do mapeamento em grafos de quantis bidimensional para a classificação de imagens de ultrassonografia de mama

Abstract

O câncer de mama é uma das principais causas de mortalidade entre mulheres no mundo e a ultrassonografia é um importante exame complementar na detecção e caracterização de lesões mamárias. No entanto, a análise desse exame é dependente da interpretação do corpo clínico e, desta forma, suscetível à subjetividade no diagnóstico. Neste contexto, o presente trabalho propõe o uso do mapeamento das imagens em grafos como uma abordagem alternativa para a classificação de imagens de ultrassonografia de mama. A partir de uma base de dados pública, a saber a MedMNIST V2, as imagens de ultrassonografia foram mapeadas em redes complexas a partir dos quantis e intervalos dos pixels das imagens. Medidas estruturais de redes complexas, como o grau de conectividade média, o coeficiente de agrupamento, o índice Estrada, o comprimento do salto médio, a energia do grafo e a centralidade laplaciana, foram exploradas como possíveis preditores para as imagens classificadas como benignas/normais e malignas. Os preditores, selecionados após testes estatísticos, foram utilizados em diferentes métodos de aprendizado de máquina, com o intuito de encontrar os melhores parâmetros e métodos para a tarefa. Diferentes classificadores foram avaliados, sendo o XGBoost o método que apresentou melhor desempenho. Os melhores resultados foram obtidos com o mapeamento em grafos de bins, alcançando precisão de 88,5\% e AUC-PR de 0,97 no conjunto de validação. Adicionalmente, foram analisados o impacto dos parâmetros de mapeamento da imagem em grafos no desempenho dos modelos e a robustez do método frente à inserção de ruídos artificiais nas imagens, com destaque ao mapeamento em grafos de quantis. Os resultados indicam que o mapeamento de imagens tanto em grafos de quantis quanto em grafos de bins constitui uma abordagem promissora para a classificação de imagens médicas, apresentando eficiência computacional e maior interpretabilidade dos descritores em comparação a métodos tradicionais de visão computacional, embora estudos adicionais sejam necessários para viabilizar a sugestão de implementação na prática clínica.

Breast cancer is one of the leading causes of mortality among women worldwide, and ultrasonography is an important complementary exam for the detection and characterization of breast lesions. However, the analysis of this exam depends on clinical interpretation and is therefore susceptible to subjectivity in diagnosis. In this context, the present study proposes the use of image mapping into graphs as an alternative approach for the classification of breast ultrasound images. Using a public database, namely MedMNIST V2, ultrasound images were mapped into complex networks based on pixel quantiles and intervals. Structural measures of complex networks, such as average degree, clustering coefficient, Estrada index, average path length, graph energy, and Laplacian centrality, were explored as potential predictors for images classified as benign/normal and malignant. The predictors, selected after statistical tests, were used in different machine learning methods in order to identify the best parameters and approaches for the task. Different classifiers were evaluated, with XGBoost achieving the best performance. The best results were obtained using bin-based graph mapping, reaching an accuracy of 88.5% and an AUC-PR of 0.97 on the validation set. Additionally, the impact of image-to-graph mapping parameters on model performance and the robustness of the method to the insertion of artificial noise into the images were analyzed, with particular emphasis on quantile-based graph mapping. The results indicate that mapping images into both quantile-based and bin-based graphs constitutes a promising approach for medical image classification, offering computational efficiency and greater interpretability of descriptors compared to traditional computer vision methods, although further studies are required before suggesting its implementation in clinical practice