WIM - 16º Workshop de Informática Médica Classificação de Doenças Intersticiais Pulmonares Difusas através de Tomografia Computadorizada de Alta-Resolução Isadora Cardoso1 , Heitor Ramos1 , Eliana Almeida1 1 LACCAN/Instituto de Computação – Universidade Federal de Alagoas (UFAL) Av. Lourival Melo Mota, s/n – Tabuleiro do Martins – CEP 57072-900 Maceió – AL – Brasil {icps, heitor, eliana.almeida}@ic.ufal.br Abstract. The goal of this work is to help the development of a computer-aided diagnosis of lung diseases. In this first stage we used principal component analysis (PCA), linear discriminant analysis (LDA) and k-nearest neighbors algorithm (KNN) to classify 3252 regions of interest (ROI) of High-resolution computed tomography of the chest into 6 lung patterns. From each ROI we extracted 28 features, which were used to evaluate the performance of two dimensionality reduction techniques (PCA and LDA). We further applied KNN (K = 5) to classify the ROI into the correspondent lung pattern. We achieved 80,82% correct classification rate using 13 dimensions with PCA and 83,74% using 5 dimensions with LDA. Resumo. O objetivo deste trabalho é auxiliar no desenvolvimento de uma ferramenta de diagnóstico de doenças pulmonares auxiliado por computador. Nessa primeira etapa utilizamos análise de componentes principais (PCA), análise do discriminante linear (LDA) e o algoritmo de k-vizinhos mais próximos (KNN) para classificar 3252 regiões de interesse (ROI) de Tomografias Computadorizadas de Alta-Resolução de tórax em relação à 6 padrões pulmonares. Cada ROI possui um total de 28 dimensões que foram reduzidas por PCA e LDA e então classificadas por KNN (k = 5). Obtivemos uma taxa de classificação correta de 80,82% em 13 dimensões com PCA e 83,74% em 5 dimensões com LDA. 1. Introdução Doenças pulmonares intersticiais difusas (DPIDs) são patologias que causam disfunção respiratória. Combinando dados clı́nicos com dados tomográficos, é possı́vel um alto grau de acurácia no diagnóstico correto. Dentre as técnicas de imagens radiológicas, principalmente na avaliação de DPIDs, destaca-se a Tomografia Computadorizada de Alta-Resolução (TCAR), uma vez que melhora significativamente a sensibilidade e a especificidade do diagnóstico clı́nico [Elicker et al. 2008], além de reduzir a exposição da estrutura torácica [Pereyra et al. 2014]. De uma base de dados com 3252 regiões de interesse (ROI) obtidas de TCAR do tórax de pacientes, [Pereyra et al. 2014] extraı́ram 28 atributos relativos à textura para classificar seis padrões pulmonares, a saber: pneumonia (PC), áreas enfisematosas (AE), espessamento de septo (ESI), favo de mel (FM), opacidade em vidro fosco (OVF) e tecido pulmonar saudável (TS). Após, utilizaram o algoritmo k-vizinhos mais próximos (k-nearest neighbor - KNN) (k = 5) e obtiveram acurácia média de 80%. Com a mesma 2605 XXXVI Congresso da Sociedade Brasileira de Computação base de dados, [Almeida et al. 2015b] utilizaram o modelo estatı́stico de mistura de Gaussianas (MMG) e obtiveram uma classificação correta mı́nima de 60%. Em sequência, [Almeida et al. 2015a] aplicaram MMG nos cinco atributos mais significativos para obter funções de pertinência fuzzy e obtiveram uma média de 63% de classificação correta. Ainda com esse conjunto de dados, o presente projeto tem a intenção de ajudar no desenvolvimento de um sistema de diagnóstico auxiliado por computador (CAD). Nossa primeira etapa é a identificação de técnicas que possam ajudar na redução de dimensionalidade, pois, com todas as 28 dimensões extraı́das, é possı́vel ter um overfitting e a chamada maldição da dimensionalidade, que gera erros devido à distância em que os pontos se encontram espalhados nas dimensões, gerando uma escassez (pode haver escassez de pontos em algumas partes). Embora reduzindo, é importante atentar para não perder informações importantes presentes nos dados [Tan et al. 2005]. Para isso, utilizamos análise de componentes principais (PCA) e análise do discriminante linear (LDA), por serem duas técnicas já consolidadas e muito utilizadas em vários aspectos de imagens médicas. 2. Materiais e métodos Foram extraı́das de 3252 ROI um conjunto de 28 atributos, a saber: estatı́sticas de primeira ordem como média, mediana, desvio padrão, assimetria e curtose; 14 atributos de textura de [Haralick et al. 1973] (energia, momento da diferença, correlação, variância, momento da diferença inversa, soma dos quadrados: média, soma dos quadrados: variância, soma dos quadrados: entropia, momento da variância, momento da entropia, medida de informação de correlação 1, medida de informação de correlação 2 e máximo coeficiente de correlação); Medidas de energia de textura de Laws (Laws’ wave measures (rotationinvariant), Laws’ ripple measures (rotation-invariant), e Laws’ level measures); medidas estatı́sticas da densidade spectral de potência (DSP) (média, desvio padrão e mediana); e dimensão fractal. Detalhes desses atributos estão disponı́veis em [Rangayyan 2004]. Utilizamos estes atributos e aplicamos as técnicas PCA e LDA. Em sequência, utilizamos um classificador KNN, com k = 5. Para validar, utilizamos o método holdout de validação cruzada, com cerca de 80% das 3252 ROIs para treino do modelo e cerca de 20% para testes, comparando-a à classificação dos médicos especialistas feitas anteriormente. Em todo o procedimento foi utilizado a linguagem R (versão 3.2.2)1 . 2.1. Análise de Componentes Principais PCA é uma técnica não supervisionada que, em um conjunto de d dimensões, procura uma transformação de menor dimensão que mantenha o máximo possı́vel da variância dos dados [James et al. 2013]. 2.2. Análise do Discriminante Linear Ao lidar com dimensões paralelas, PCA escolherá uma dimensão que junte todas, o que, claramente, levará a erros de classificação. Nessas situações, LDA é uma melhor escolha. LDA é uma técnica supervisionada que deseja encontrar o hiperplano que maximize a separação entre as médias de cada classe e miniminize a dispersão total das mesmas, o que evita sobreposições que podem piorar a separação [Zaki and Wagner Meira 2014]. 1 http://www.r-project.org 2606 WIM - 16º Workshop de Informática Médica Variância Explicada 0.4 0.6 0.8 0.2 0.0 0.0 0.2 Variância Explicada 0.4 0.6 0.8 1.0 Percentual de Variância Explicada em LDA 1.0 Percentual de Variância Explicada em PCA 0 5 10 15 20 Componente Principal 25 1 (a) PCA 2 3 Discriminante Linear 4 5 (b) LDA Figura 1. Quantidade de variância explicada através das 1(a) componentes principais e 1(b) discriminante linear ideais. 2.3. K-vizinhos mais próximos Um classificador k-vizinhos mais próximos analisa a localização de um ponto no espaço e determina, por seus k vizinhos, qual sua classificação. Isso é feito medindo-se a distância (ex: Euclidiana) do ponto pros seus vizinhos [Tan et al. 2005]. Por simplicidade e para facilitar na comparação das técnicas de redução de dimensionalidade aqui tratadas, utilizamos o KNN para classificar os padrões pulmonares. 3. Resultados Na figura 1, a linha vermelha representa o quanto de variância cada componente principal e discriminante linear ideais explicam em relação aos dados. A linha azul representa o acumulado de variância que representam ao total. É possı́vel notar pela figura 1 que com cerca de 13 componentes principais já se pode explicar quase 100% da variância dos dados. LDA consegue uma redução ainda maior, 5 dimensões. O lado negativo dessas transformações é que temos que utilizar todo o conjunto de dados para obtê-la. Na tabela 1 podemos ver a comparação do resultados aplicando as técnicas PCA e LDA e dos dados sem técnica alguma de redução de dimensionalidade, classificados pelo KNN. Na tabela, TP (true positive) representa a classificação correta, enquanto FP (false positive) representa o erro do tipo I. O Espessamento do septo (ESI) é a doença mais difı́cil de classificar, obtendo um número mais baixo de TP em todas as técnicas. A classificação dos dados originais e dos obtidos pelas técnicas são próximas, o que mostra quão bom são os conjuntos conseguidos. Em negrito, estão destacados os melhores valores de TP e FP para cada classe. Observe que a técnica LDA apresenta sistematicamente melhores valores quando comparada com PCA ou com os dados originais, ficando pouco abaixo em apenas alguns poucos casos. 4. Conclusão Neste trabalho utilizou-se PCA e LDA para redução de dimensionalidade. Obtivemos uma taxa de classificação correta de 81,13% com PCA (13 dimensões) e 84,38% com LDA (5 dimensões). Ambas são semelhantes ou superiores à taxa de acerto do conjunto 2607 XXXVI Congresso da Sociedade Brasileira de Computação Original PC AE ESI FM TS OVF Total TP 0.8686869 0.8111111 0.6796875 0.8240741 0.8596491 0.8672566 0.8184109 FP 0.02355072 0.03014184 0.07663551 0.03531599 0.03018868 0.02772643 0.03725986 PCA TP 0.7979798 0.8111111 0.6718750 0.8333333 0.8596491 0.8938053 0.8112923 FP 0.03558719 0.03019538 0.07865169 0.03358209 0.03024575 0.02238806 0.03844169 LDA TP 0.8484848 0.8777778 0.6796875 0.8333333 0.9122807 0.9115044 0.8438448 FP 0.02669039 0.01950355 0.07706767 0.03321033 0.01893939 0.01879699 0.03236805 Tabela 1. Resultado das classificações do conjunto de dados original, PCA e LDA, com KNN (k = 5) original, o que cumpre o objetivo. Trabalhos futuros visam utilizar técnicas que explicitem quais atributos são os mais importantes, descartando os que não contribuem tanto. Também visa-se a utilização de mais classificadores a fim de obter melhores resultados. Referências Almeida, E., Rangayyan, R. M., and Azevedo-Marques, P. M. (2015a). Fuzzy membership functions for analysis of high-resolution CT images of diffuse pulmonary diseases. In 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBC 2015, Milan, Italy, August 25-29, 2015, pages 719–722. Almeida, E., Rangayyan, R. M., and Azevedo-Marques, P. M. (2015b). Gaussian mixture modeling for statistical analysis of features of high-resolution CT images of diffuse pulmonary diseases. In 2015 IEEE International Symposium on Medical Measurements and Applications, MeMeA 2015, Torino, Italy, May 7-9, 2015, pages 1–5. Elicker, B., de Castro Pereira, C. A., Webb, R., and Leslie, K. O. (2008). Padrões tomográficos das doenças intersticiais pulmonares difusas com correlação clı́nica e patológica. In Jornal Brasileiro de Pneumologia, Volume 34, number 9, pages 715–744. Haralick, R. M., Shanmugam, K., and Dinstein, I. (1973). Textural Features for Image Classification. Systems, Man and Cybernetics, IEEE Transactions on, SMC-3(6):610– 621. James, G., Witten, D., Hastie, T., and Tibshirani, R. (2013). An Introduction to Statistical Learning: with Applications in R. Springer Texts in Statistics. Springer. Pereyra, L. C., Rangayyan, R. M., Ponciano-Silva, M., and de Azevedo Marques, P. M. (2014). Fractal analysis for computer-aided diagnosis of diffuse pulmonary diseases in HRCT images. In 2014 IEEE International Symposium on Medical Measurements and Applications, MeMeA 2014, Lisboa, Portugal, June 11-12, 2014, pages 455–460. Rangayyan, R. (2004). Biomedical Image Analysis. Biomedical Engineering. CRC Press. Tan, P.-N., Steinbach, M., and Kumar, V. (2005). Introduction to Data Mining, (First Edition). Addison-Wesley Longman Publishing Co., Inc., Boston, MA, USA. Zaki, M. J. and Wagner Meira, J. (2014). Data Mining and Analysis: Fundamental Concepts and Algorithms. Cambridge University Press. 2608