MÉTODO E SISTEMA AUTOMÁTICO DE ANÁLISE DE IMAGEM DE MAMOGRAFIA E MÉTODO DE TREINAMENTO DE REDE NEURAL PROFUNDA

Campo da Invenção

[0001] A presente invenção descreve uma solução para avaliações de forma mais rápida de imagens de mamografia, a partir da predição da densidade mamária, de forma a avaliar e classificar o risco de a densidade mamária mascarar um diagnóstico de uma lesão, e da predição da qualidade de posicionamento da mama na imagem de mamografia, sendo estas predições realizadas por meio de rede neural profunda previamente treinada. A presente invenção se situa nos campos de processamento de imagens, inteligência artificial, medicina, engenharia da computação, tecnologia da informação, engenharia biomédica e mamografia.

Antecedentes da Invenção

[0002] Ao longo das pesquisas médicas, é sabido que um diagnóstico precoce de indícios de câncer de mama acarreta em seu tratamento mais imediato e eficaz. É sabido, também, que conforme o tempo passa, o câncer acaba se desenvolvendo e se alastrando cada vez mais, e sua cura fica dificultada. Dentre os métodos de detecção precoce de câncer de mama, o método mais eficaz é a mamografia. Para uma maior precisão na detecção precoce do câncer de mama, é necessária a produção de imagens mamográficas de alta qualidade, onde o posicionamento para captura dessas imagens tem um papel fundamental na qualidade das imagens. São compreendidas no estado da técnica duas projeções de rotina na mamografia: a projeção crânio-caudal e a oblíquo mediolateral.

[0003] A projeção oblíquo mediolateral possui maior importância, pois ao ser posicionada e realizada corretamente, é capaz de mostrar quase todo o tecido da mama, englobando o quadrante exterior superior, onde ocorre a maioria dos casos de patologias. Há uma enorme preocupação nos sistemas de avaliação de imagens para determinar o modo correto de incluir todo o tecido da mama na projeção oblíquo mediolateral, porém critérios para o músculo peitoral não são bem definidos e estão sujeitos a interpretações subjetivas, diminuindo sua confiabilidade como método preciso.

[0004] Por meio das projeções, podem ser investigadas informações sobre a densidade mamária dos pacientes, sendo que este fator tem sido apontado em diversos estudos como um importante fator de risco para o desenvolvimento do câncer de mama, onde mulheres com as mamas densas apresentam um maior risco entre quatro a seis vezes do que mulheres com mamas predominantemente adiposas. Adicionalmente, o tecido denso fibroglandular pode ocultar a visualização de nódulos e diminuir a sensibilidade da mamografia, ocasionando na necessidade de exames suplementares de ultrassonografia ou ressonância magnética, denotando a importância na realização das projeções.

[0005] Dessa forma, é evidente que o posicionamento errado da mama do paciente pode ocasionar em má qualidade de imagem de exame e pode ocasionar até em um diagnóstico incorreto, por não ser possível para um profissional interpretar a imagem de maneira correta, implicando até na necessidade de repetir o exame para que uma imagem com maior qualidade seja adquirida. Em consequência, um paciente terá que remarcar o exame, que evidentemente demanda tempo, e como já foi dito, caso o paciente tenha câncer de mama, provavelmente este vai se alastrar mais e como já foi dito, as chances de cura diminuem conforme o tempo passa.

[0006] Uma grande limitação, também, das avaliações visuais da densidade mamária é a variabilidade intra e interobservador, independente da escala utilizada, pois os métodos qualitativos existentes para análise visual são subjetivos, não sendo reprodutíveis com confiabilidade e ocasionando em maior tempo de análise.

[0007] Na 4 ^a versão do BI-RADS ( Breast Imaging Reporting and Data System), as densidades mamárias eram classificadas em quatro categorias: 1. Mama formada praticamente apenas de gordura (<25% glandular); 2. Densidades fibroglandular espalhadas (aproximadamente 25% - 50% glandular); 3. Tecido mamário com densidade heterogénea podendo ocultar a detecção de massas pequenas (aproximadamente 51 % - 75% glandular); 4. Tecido mamário extremamente denso, podendo diminuir a sensitividade do mamograma (>75% glandular).

[0008] Já a revisão feita na 5 ^a edição em 2013, continua com as quatro classificações, porém elimina totalmente os quartis relacionados à quantidade de tecido glandular. Isto significa que na 5 ^a edição não apenas a densidade é importante, mas principalmente se a densidade causar uma dificuldade de diagnóstico pela visualização da mamografia, por exemplo, caso ocorra um caso de densidade fibroglandular espalhada, porém podendo ocultar a detecção de massas pequenas, na 4 ^a versão do sistema Bi-RADS a mama seria classificada como categoria 2, já na 5 ^a versão do sistema Bi-RADS, a mama deve ser classificada como categoria 3.

[0009] Dessa forma, é possível observar que é necessária uma solução que afira a qualidade em uma projeção de mamografia e que determine de imediato o nível de densidade mamária, evitando atrasos e erros nos diagnósticos de patologias como o câncer e indicar com precisão se há necessidade de realizar exames complementares como ressonância magnética ou ultrassonografia, favorecendo, assim, em seu tratamento e probabilidade de cura.

[0010] Na busca pelo estado da técnica em literaturas científica e patentária, foram encontrados os seguintes documentos que tratam sobre o tema:

[0011] O documento US9008382 B2 revela um método e sistema de análise de imagens de mama que tem por objetivo estabelecer um valor de referência e calibrar automaticamente a imagem para fazer a estimativa da densidade global. Este documento, contudo, visa realizar a estimativa da densidade global da mama, o que diferencia das aplicações da presente invenção, a qual realiza a classificação da mama com base no risco de a densidade mamária obstruir a visualização e mascarar um diagnóstico e, além do mais, o método proposto em US9008382 B2 não prevê uma classificação para a qualidade do posicionamento da mama.

[0012] O documento US9361683 B2 revela uma técnica de predição em um sistema de imagem que realiza uma avaliação automática de medida(s) quantitativa(s) e propriedades de uma imagem usando técnicas de processamento de imagens. Contudo, a solução proposta em US9361683 B2 é limitada em aplicação uma vez que não utiliza de técnicas de aprendizagem de máquina, além de não propor uma classificação da densidade mamária de acordo com a classificação BI-RADS 5 ^a versão e nem classifica a qualidade do posicionamento da mama.

[0013] O documento US9536054 B1 revela um método e meios para utilizar a aprendizagem de máquina para treinar um dispositivo para gerar um indicador de nível de confiança (CLI) associados a ações clínicas seguindo o lexicon da recomendação BI-RADS. O dispositivo é um sistema de CAD que foi inicialmente treinado usando aprendizado inicial da máquina para recomendar classificações para recursos de imagem. Classificação probabilística é utilizada para incorporar valores intermediários, dados por um operador, para indicar o melhor nível de confiança das recomendações do sistema CAD sobre quais classes devem ser associadas a determinados recursos de imagem. Este método procura fazer um diagnóstico completo do exame de mamografia, enquanto que a invenção aqui proposta é uma ferramenta que visa auxiliar na classificação automática da densidade mamária de acordo com a classificação BI-RADS 5 ^a Edição. Este documento também não classifica a qualidade do posicionamento da mama, o que é feito na invenção aqui proposta.

[0014] O documento WO2018015911 A1 revela um sistema e aparelho que compreende análise automatizada e feedback sobre qualidade de imagem de tecido mole, incluindo análise e feedback em tempo real e em conformidade com parâmetros e métricas chave que afetam a qualidade de uma imagem. O sistema é disposto para implementar um método em que proporciona uma avaliação qualitativa e/ou quantitativa de uma imagem incluindo várias etapas. As etapas incluem o uso de um aparelho de imagem para obter pelo menos uma imagem de tecido mole de um paciente e pelo menos uma imagem de objeto de teste; derivando um parâmetro de imagem de tecido macio e dados estatísticos de dados de imagem da imagem de tecido mole. O sistema e o método são caracterizados empregando uma métrica para a avaliação em comparação com o parâmetro e dados estatísticos, em que a métrica é obtida a partir dos dados da imagem do tecido mole, dados obtidos a partir de pelo menos uma imagem do objeto de teste e dados da imagem aparelho. Porém este método classifica a densidade mamária utilizando métodos estatísticos enquanto que a presente invenção utiliza de aprendizagem profunda de máquina. O método proposto na presente invenção, além de estimar a qualidade do posicionamento da mama, também faz de forma simultânea a estimativa da densidade da mama de acordo com a classificação BI-RADS 5 ^a versão, características tais que não são encontradas em W02018015911 A1.

[0015] O documento US8218850 B2 revela um método de processamento de uma imagem de mamografia para derivar um valor para um parâmetro útil na detecção de diferenças no tecido mamário em imagens subsequentes da mesma mama ou em relação a um grupo controle de tais imagens, sendo o referido parâmetro derivado um índice de probabilidade agregado que reflete à probabilidade de a imagem ser um membro de uma classe predefinida de imagens de mamografia, o referido método compreendendo a computação para cada uma de uma multidão de pixels dentro de uma grande região de interesse dentro da imagem um escore de probabilidade de pixel atribuído por um classificador estatístico treinado de acordo com a probabilidade de o referido pixel pertencente a uma imagem pertencente à referida classe, sendo a referida probabilidade de pixel calculada com base em uma pluralidade selecionada de características dos referidos pixels e calculando o referido parâmetro agregando os escores de probabilidade de pixel sobre a referida região de interesse. Este método procura estimar as diferenças associadas em variações de densidade da mama para estimar o risco de haver câncer. O método de US8218850 B2, contudo, não viabiliza uma classificação da densidade mamária, considerando o risco da densidade obstruir uma lesão e, com isso, atrapalhar um diagnóstico. Ademais, este documento não realiza a classificação da qualidade do posicionamento da mama.

[0016] Assim, do que se depreende da literatura pesquisada, não foram encontrados documentos antecipando ou sugerindo os ensinamentos da presente invenção, de forma que a solução aqui proposta possui novidade e atividade inventiva frente ao estado da técnica.

[0017] Diante disso, é possível observar que o estado da técnica carece de uma detecção não subjetiva da densidade mamária, a partir do risco de esta não obstruir ou atrapalhar um diagnóstico, e do posicionamento da mama no momento do exame, que auxilie os profissionais no diagnóstico correto, perdendo o menor tempo possível e identificando precocemente patologias.

Sumário da Invenção

[0018] Dessa forma, a presente invenção resolve os problemas do estado da técnica a partir de uma análise automática da imagem de mamografia, de modo a prover uma estimativa sobre a qualidade do posicionamento da mama na imagem, na tentativa de evitar que os exames tenham de ser refeitos, e também uma predição sobre a densidade mamária, classificando-a quanto aos riscos de a densidade obstruir uma lesão e atrapalhar um diagnóstico, de forma que a presente invenção possibilita auxiliar no diagnóstico de câncer de mama. Com isso, a presente invenção apresenta um método de análise automática de imagem de mamografia, que possui etapas como treinamento de redes neurais profundas de avaliação do posicionamento da mama, melhorando a qualidade da imagem e direcionando a um diagnóstico correto e classificação de densidade mamária, por exemplo, conforme a edição 5 ^a do BI-RADS ( Breast Imaging Reporting and Data System) de 2013, onde como dito anteriormente, a alta densidade mamária, como visto em estudos, possui alta probabilidade de incidência de câncer de mama, alertando, assim, o especialista ou mesmo no caso de uma mama de baixa densidade, que apresente algum aglomerado que impeça a visualização de uma possível lesão. Logo, esta solução possibilita diminuir a subjetividade nos diagnósticos de mamografia e uma maior precisão em seu diagnóstico, diminuindo o tempo necessário e fornecendo subsídios para o diagnóstico correto.

[0019] Em um primeiro objeto, a presente invenção apresenta um método automático de análise de imagem de mamografia, implementado em ao menos um sistema de aprendizado profundo previamente treinado, que compreende as etapas de: predição de qualidade de posicionamento de mama na imagem de mamografia; e predição de densidade mamária na imagem de mamografia a partir do risco de a densidade mamária mascarar diagnóstico de uma lesão.

[0020] É, também, um objeto da invenção, um método automático de análise de imagem de mamografia que compreende as etapas de: recebimento de ao menos uma imagem de mamografia a ser analisada, por uma unidade de processamento; processamento da imagem de mamografia, compreendendo predição da qualidade do posicionamento da mama (1 ) na imagem e predição de densidade mamária (2); exibição, pela unidade de processamento, da predição da qualidade do posicionamento da mama (1 ) na imagem; exibição, pela unidade de processamento, da predição da densidade mamária (2) na imagem.

[0021] Em um terceiro objeto, a presente invenção apresenta um método de treinamento de rede neural profunda para análise de imagem de mamografia e predição da qualidade de posicionamento da mama, que compreende as etapas de: seleção de uma pluralidade de imagens de mamografias de base contendo perfil amostrai estatístico previamente identificado como boa, média e ruim; classificação qualitativa do posicionamento da mama (1 ) na imagem de mamografia da pluralidade de imagens de mamografia por meio de classificação, do tipo: boa, média ou ruim; e inserção das imagens classificadas em um canal de entrada da rede neural profunda e verificação de erros, a partir de comparações com o perfil amostrai definidos.

[0022] Em um quarto objeto, a presente invenção apresenta um sistema automático de análise de imagem de mamografia que compreende ao menos um classificador automático da imagem mamográfica dotado de ao menos: um preditor de qualidade do posicionamento da mama na imagem de mamografia; e um preditor de densidade mamária na imagem de mamografia, possibilitando classificar o risco de a densidade impedir a visualização de uma lesão.

[0023] Estes e outros objetos da invenção serão imediatamente valorizados pelos versados na arte e serão descritos detalhadamente a seguir.

Breve Descrição das Figuras

[0024] São apresentadas as seguintes figuras:

[0025] A figura 1 mostra uma concretização do fluxograma do classificador de qualidade de captura para classificação de posicionamento da mama (1 ) e de densidade de mama para classificação de densidade mamária (2), onde esse classificador é baseado em redes neurais profundas (3) ( Deep Learning ).

[0026] A figura 2 mostra uma concretização do fluxograma de um funcionamento do sistema de análise de imagem de mamografia por meio da máquina de captura de imagem, de um computador local (hospital), um servidor remoto ou local e um computador local (médico).

[0027] As figuras de 3 a 6 mostram exemplos de resultados obtidos por testes realizados a partir dos ensinamentos da presente invenção. Descrição Detalhada da Invenção

[0028] As descrições que se seguem são apresentadas a título de exemplo e não limitativas ao escopo da invenção e farão compreender de forma mais clara o objeto do presente pedido de patente.

[0029] Para fins da presente invenção, imagem de mamografia é qualquer imagem capturada da mama de uma paciente, por exemplo, durante a execução de um exame de mamografia ou qualquer outro exame por imagens para avaliação de doenças relacionadas à região mamária.

[0030] Em um primeiro objeto, a presente invenção apresenta um método automático de análise de imagem de mamografia, implementado em ao menos um sistema de aprendizado profundo previamente treinado, que compreende as etapas de: predição de qualidade de posicionamento de mama (1 ) na imagem de mamografia; e predição de densidade mamária (2) na imagem de mamografia, a partir do risco de a densidade mamária mascarar diagnóstico de uma lesão.

[0031] A etapa de predição de qualidade de posicionamento da mama (1 ) compreende etapa prévia de treinamento e classificação de imagens de mamografia no sistema de aprendizado profundo. O sistema de aprendizado profundo compreende uma rede neural profunda (3). Em uma concretização, o classificador compreende arquitetura de redes neurais profundas (3) ( deep learning) compreendendo camadas de redes convolucionais e camadas de redes densas. As camadas de redes convolucionais são responsáveis por extrair características para se fazer a classificação e as camadas de redes densas são as responsáveis para se fazer a classificação final em 3 categorias: qualidade do posicionamento: bom, médio ou ruim.

[0032] Em outra concretização, a etapa prévia de treinamento é realizada por meio de um conjunto de imagens de mamografia previamente selecionadas e/ou previamente anotadas, tanto na qualidade do posicionamento da mama (1 ) na imagem quanto na estimativa da densidade mamária (2). Deste modo, o classificador é capaz de disponibilizar a um médico/especialista/radiologista o resultado da predição realizada para qualidade do posicionamento da mama (1 ) e da densidade mamária (2) na imagem mamográfica.

[0033] Para fins da presente invenção, imagens de mamografia previamente anotadas são imagens usadas para treinamento que já foram analisadas por médicos radiologistas e/ou especialistas em mamografia.

[0034] Em uma concretização, a rede neural (3) é treinada com os dados anotados utilizando-se uma função de perda de entropia cruzada, de modo a conseguir um erro final aceitável. Esse treinamento é feito com base nos dados anotados. Com isso, a rede neural (3) é capaz de calcular e fornecer os índices de qualidade do posicionamento da mama (1 ) e densidade mamária (2) com base no treinamento realizado. Em uma concretização, a matriz de pixels da imagem da mama é alimentada como entrada do algoritmo da rede neural profunda, que foi treinada para retornar como resultado os dois índices: a qualidade do posicionamento da mama e a densidade mamária.

[0035] Em uma concretização, a etapa de predição de qualidade possui exibição dos resultados referentes à qualidade da imagem, onde a qualidade da imagem é classificada, por exemplo, por ruim, média ou boa.

[0036] A etapa de predição da densidade mamária (2) é realizada a fim de identificar o risco de a densidade mamária mascarar ou obstruir alguma possível lesão no paciente, podendo interferir/atrapalhar o diagnóstico de um médico. Com base nisso, o método da invenção classifica a densidade mamária de acordo com índices pré-definidos e fornece essas informações ao médico, para que o mesmo realize a tomada de decisão.

[0037] A etapa de predição de densidade mamária (2) na imagem de mamografia é implementada em um sistema híbrido compreendendo a rede neural profunda (3) e ao menos um sistema analítico de extração de características. Em uma concretização, o cálculo da densidade mamária (2) é realizado utilizando avaliação do screening logo após a captura da imagem.

[0038] Em uma concretização, a predição da densidade mamária (2) compreende as etapas de: divisão da imagem de mamografia em áreas circulares de tamanhos pré-definidos; cálculo de densidade média associada a cada pixel centrado nas áreas circulares divididas, sendo este cálculo realizado com base nas intensidades luminosas identificada nos pixels de vizinhança em cada área dividida; geração de mapa de densidades, com pontos de máximo e mínimo em cada área dividida; e definição de intensidade média nos pontos de máximo e mínimo do mapa de densidades e cálculo da estimativa da densidade mamária (2). Para fins de exemplificação, a intensidade luminosa dos pixels é proporcional ao grau de opacidade do tecido mamário ao feixe de raios X emitido pelo mamógrafo.

[0039] Em uma concretização, são selecionados N (pré-definido) áreas circulares da imagem de mamografia de maiores densidades médias em relação às suas áreas vizinhas. Cada uma das N regiões geram dois valores: a densidade média máxima e a densidade média mínima. Em uma concretização, a densidade mamária (2) pode ser calculada utilizando uma rede neural (3) feita de camadas densas que recebe esses N valores de densidades médias máximas e mínimas. Esta rede é treinada com imagens já classificadas por médicos, especialista, etc.

[0040] Em uma concretização, a predição da densidade mamária na imagem é realizada de acordo com a orientação BI-RADS 5 ^a edição de 2013.

[0041] Em um outro objeto, a presente invenção apresenta um método automático de análise de imagem de mamografia que compreende as etapas de: recebimento de ao menos uma imagem de mamografia a ser analisada, por uma unidade de processamento; processamento da imagem de mamografia, compreendendo predição da qualidade do posicionamento da mama (1 ) na imagem e predição de densidade mamária (2); exibição, pela unidade de processamento, da predição da qualidade do posicionamento da mama (1 ) na imagem; e exibição, pela unidade de processamento, da predição da densidade mamária (2) na imagem.

[0042] A etapa de processamento é dotada da classificação automática da imagem mamográfica, no qual é responsável por realizar a predição da qualidade do posicionamento da mama (1 ) na imagem de mamografia e realizar a predição da densidade mamária (2) na imagem de mamografia. Em uma concretização, a etapa a predição da qualidade do posicionamento da mama é realizada por meio de arquitetura de redes neurais profundas (3) compreendendo camadas de redes convolucionais e camadas de redes densas. Em uma concretização, a rede neural profunda (3) foi treinada com um conjunto de imagens de mamografia previamente selecionadas e/ou previamente classificadas por um profissional de saúde especialista.

[0043] Em uma concretização, a etapa de predição da qualidade da imagem de mamografia compreende exibição de resultados, sendo classificados, por exemplo, como ruim, média ou boa. Com base neste resultado automático, um profissional de saúde que executa o exame pode, no mesmo momento, verificar a necessidade de se repetir o exame ou não.

[0044] Em uma concretização, a etapa de predição da densidade mamária é realizada pela unidade de processamento e compreende as etapas de: divisão da imagem de mamografia em áreas circulares de tamanhos pré- definidos; cálculo de densidade média associada a cada pixel centrado nas áreas circulares divididas, sendo este cálculo realizado com base nas intensidades luminosas identificada nos pixels de vizinhança em cada área dividida; geração de mapa de densidades, com pontos de máximo e mínimo em cada área dividida; e definição de intensidade média nos pontos de máximo e mínimo do mapa de densidades e cálculo da estimativa da densidade mamária (2). Em uma concretização, o cálculo da densidade mamária pode ser executado por uma outra rede neural de camadas densas que recebe como entrada esses valores de máximos e mínimos de valores médios das regiões circulares. Esta rede é treinada com os dados anotados por especialistas.

[0045] Em uma concretização, ao término da etapa de processamento são fornecidas a qualidade de posicionamento da mama (1 ) e a densidade mamária (2) da imagem de mamografia prevista pelo classificador. Em uma concretização, o classificador fornece i) a qualidade do posicionamento da mama, segundo índices previamente definidos, tais como ruim, média ou boa; e ii) a classificação de a densidade mamária poder obstruir a visualização de alguma lesão, sendo esta classificação previamente definida, tal como exemplificado pela BI-RADS 5 ^a edição. Estes dois resultados são disponibilizados a um médico/especialista/radiologista para auxiliá-lo nas tomadas de decisão após a realização do exame no paciente.

[0046] Em um terceiro objeto, a presente invenção apresenta um método de treinamento de rede neural profunda para análise de imagem de mamografia e predição da qualidade de posicionamento da mama, que compreende as etapas de: seleção de uma pluralidade de imagens de mamografias de base contendo perfil amostrai estatístico previamente identificado; classificação do posicionamento da mama (1 ) na imagem de mamografia da pluralidade de imagens de mamografia por meio de classificação, do tipo: boa, média ou ruim; e inserção das imagens classificadas em um canal de entrada da rede neural profunda e verificação de erros, a partir de dados anotados.

[0047] Em uma concretização, é utilizada uma rede neural profunda (3) compreendendo camadas de redes convolucionais e camadas de redes densas.

[0048] Assim, para o treinamento da rede neural profunda, é selecionada uma pluralidade de imagens que possuam um perfil amostrai estatístico aceitável para a análise, ou seja, imagens que possuam características iguais ou semelhantes o suficientes para se traçar padrões matemáticos, além de imagens com características distintas, de tal modo que o sistema de aprendizado seja capaz de reconhecer as diferenças entre situações de eventos diversos.

[0049] Em seguida, um especialista, capaz de classificar as imagens de mamografia, verifica a qualidade do posicionamento da mama das imagens selecionadas e, então, as classifica de acordo com um padrão previamente definido. Em uma concretização, a classificação pode ser do tipo: boa, média ou ruim.

[0050] Com isso, as imagens classificadas são inseridas no canal de entrada da rede neural. A partir dos resultados obtidos na camada de saída, são verificados os erros obtidos quando comparados com as classificações das imagens. Deste modo, a rede neural é capaz de atualizar os pesos das camadas executando a aprendizagem e aprimorando o resultado de saída através da otimização do método do gradiente descendente.

[0051] Ainda, o médico especialista também recebe a estimativa da densidade mamária (2) feita pelo classificador e decide a classificação da densidade mamária (2) a ser inserida em um laudo médico.

[0052] Em um quarto objeto, a presente invenção apresenta um sistema automático de análise de imagem de mamografia que compreende ao menos um classificador automático da imagem mamográfica dotado de ao menos: preditor de qualidade do posicionamento da mama (1 ) na imagem de mamografia; e preditor de densidade mamária (2) na imagem de mamografia.

[0053] Em uma concretização, o preditor de qualidade tem como função analisar a qualidade do posicionamento da dita imagem de mamografia, isto é, se a imagem está posicionada corretamente, nítida e/ou suscetível para ser interpretada por um profissional. Em uma concretização, o preditor de densidade mamária (2) na imagem de mamografia tem como função determinar a densidade mamária (2) a partir da imagem de mamografia, através de um cálculo e disponibilizar o resultado para um profissional.

[0054] O sistema automático de análise de imagem de mamografia compreende também: meio de recebimento de imagem de mamografia; ao menos um processador compreendendo: ao menos um leitor de imagem de mamografia; um classificador automático da imagem mamográfica; ao menos uma ferramenta de disponibilização de resultados; em que o classificador automático de imagem mamográfica compreendido no processador é comunicante à ferramenta de disponibilização de resultados e o leitor de imagem de mamografia compreendido no processador é comunicante ao meio de recebimento de imagem de mamografia.

[0055] Em uma concretização, o meio de recebimento de imagem de mamografia compreende associação com o processador, de modo que a imagem recebida pelo meio de recebimento de imagem de mamografia seja encaminhada ao processador. Em uma concretização, o processador compreende um leitor de imagem e o dito classificador automático de imagem mamográfica, que compreende os referidos preditores de qualidade e de densidade mamária (2). Em outra concretização, o leitor de imagem envia a imagem para o classificador que analisa automaticamente a qualidade do posicionamento da mama (1 ) (preditor de qualidade) e realiza o cálculo para a determinação da densidade mamária (2) na imagem de mamografia. Em outra concretização, o classificador compreende arquitetura de redes neurais profundas (3) ( deep learning) compreendendo camadas de redes convolucionais e camadas de redes densas.

[0056] O classificador automático da imagem mamográfica compreende ao menos um sistema híbrido composto de ao menos uma rede neural profunda (3) e ao menos um sistema analítico de análise de densidade mamária (2) máxima e mínima de ao menos uma imagem.

[0057] O classificador de densidade mamária (2) na imagem mamográfica compreende ao menos um meio de direcionamento da área circular a ser feita a varredura de pixels de predição de densidade mamária (2).

[0058] O uso do sistema possibilita o ganho de tempo em realização de uma imagem de mamografia de boa qualidade. Além disso, a etapa de predição da qualidade do posicionamento da mama (1 ) na imagem de mamografia permite beneficiar um paciente, visto que o exame apresenta um resultado mais acelerado.

Exemplo - Análise automática de imagem de mamografia

[0059] Os exemplos aqui mostrados têm o intuito somente de exemplificar uma das inúmeras maneiras de se realizar a invenção, contudo sem limitar, o escopo da mesma.

[0060] Foram realizados testes do método em uma plataforma web, em que várias imagens tiveram densidade e qualidade do posicionamento calculadas pelos métodos que utilizam redes neurais profundas descritos. A plataforma apresenta links para visualização de alta resolução das imagens, que podem ser abertas em softwares profissionais de visualização de imagens médicas. Podem ser visualizadas todas as posições das mamas dos pacientes e suas classificações de qualidade e densidade, como mostrado nas figuras 3 a 6.

[0061] Para isso, foi utilizado um sistema automático de análise de imagem de mamografia, onde foi utilizado um método de deep learning por meio de redes neurais profundas (3) para realizar a estimativa de qualidade da imagem de mamografia de forma automatizada, logo após a captura da imagem. Foi utilizado, também, um método computacional automático objetivo para a classificação da densidade mamária (2), em que o conjunto de padrões é concretizado nos critérios estabelecidos no BI-RADS 5 ^a edição de 2013. A decisão sobre a necessidade de exames complementares é baseada nesta classificação, onde esta classificação é dada: A. a mama é quase totalmente gordurosa; B. existem áreas dispersas de densidade fibroglandular; C. as mamas estão heterogeneamente densas, podendo obstruir massas pequenas; e D. as mamas estão extremamente densas, o que diminui a sensibilidade da mamografia.

[0062] Neste exemplo, foi utilizado um meio de recebimento de imagem de mamografia, um processador com leitor de imagem de mamografia e classificador automático da imagem mamográfica e uma ferramenta de disponibilização de resultados.

[0063] Foi obtida uma averiguação de forma rápida e possibilitou prever a necessidade de uma nova captura de imagem com um melhor posicionamento da mama (1 ) no mamógrafo. Foi possível uma análise da qualidade do posicionamento da mama (1 ) menos subjetiva, sendo esta realizada pelo processador. Imagens de mamografia foram alimentadas como entrada da rede da rede neural profunda (3) que extraiu parâmetros baseados em atributos, e assim, possibilitou a predição da qualidade para as imagens de mamografia como ruim, média ou boa.

[0064] Na avaliação da qualidade da imagem de mamografia, foi levado em conta um sistema de avaliação da imagem (IES) e foram levados em consideração critérios fixos. Para o treinamento das redes neurais profundas (3) foram utilizadas imagens apresentando classificações concordantes por vários especialistas e diminuiu, assim, a subjetividade. O sistema pôde ser capaz de seguir os mesmos critérios dos especialistas, resultando em predições fiéis a esses critérios.

[0065] As imagens de treinamento foram classificadas em um dos três níveis (ruim, média ou boa) por especialistas e a rede neural profunda (3) aprendeu a fazer a predição da qualidade em outras imagens de mamografia que lhe foram apresentados, adaptando-se, assim, a predição à classificação.

[0066] Para fins de entendimento das classificações utilizadas, sem limitação ao exemplo/testes realizados e, muito menos, ao escopo da invenção, uma classificação boa indica que a imagem pode ser utilizada com segurança pelo especialista para análise. Uma qualidade média indica que a imagem pode ser utilizada para a análise apesar de pequenos problemas de posicionamento. Uma qualidade baixa, por outro lado, indica que a imagem não pode ser analisada com segurança pelo especialista e necessita ser reobtida.

[0067] Para a classificação da densidade mamária (2), o sistema utilizou- se das redes neurais profundas (3). O sistema avaliou o screening logo após a captura da imagem e auxiliou os médicos na tomada de decisão.

[0068] Para a predição da densidade mamária (2), foram utilizados critérios estabelecidos no BI-RADS 5 ^a edição de 2013 e foi levado em consideração um banco de imagens obtidas em uma rotina clínica. Estas imagens são das quatro categorias de densidade mamária (2) estabelecidas pelo BI-RADS com classificação já realizada por especialistas e o sistema utilizou a rede neural profunda (3), fazendo-a aprender como fazer a predição da categoria em outras imagens que sejam apresentadas e pôde, assim, adaptar a predição de forma eficiente à classificação e excluiu a subjetividade do processo.

[0069] Assim, para a realização do cálculo foram -se analisadas as imagens obtidas, de modo que foi realizada a extração dos valores de intensidade máxima, mínima e média da vizinhança de cada pixel da imagem nas áreas circulares divididas, verificando a intensidade luminosa de todos os pixels de sua vizinhança (definida como pixels a uma distância R do pixel centrado), inclusive podendo definir várias distâncias de vizinhança. Cada mapa de densidade extraído (sendo mapa de densidade a matriz de valores de intensidade máxima, mínima ou média extraído usando um valor de distância Ri para a distância de vizinhança) é então usado como atributo para treinar uma segunda rede neural profunda, que é capaz de estimar a densidade da mama (tendo como parâmetro de entrada os mapas de densidade e como saída a densidade mamária estimada).

[0070] Para exemplificar, para cada valor Ri de distância de vizinhança podem ser extraídos 3 mapas de densidade, uma com intensidades luminosas máximas, um com as mínimas e um com as médias. A utilização de vários valores de distância de vizinhança podem tornar o sistema mais robusto, por exemplo utilizando R igual a 5, 10 e 20 pixels, nesse caso poderia resultar em 9 diferentes mapas de densidade. Os valores de R utilizados neste exemplo de treinamento da rede foram 5, 15, 25 e 40.

[0071] A partir disso, foi possível realizar as predições/classificações apresentadas nas figuras 3 a 6. Como pode ser observado, as figuras 3 a 6 apresentam as estimativas de qualidade do posicionamento da mama e as densidades mamárias, onde os índices atribuídos a cada imagem podem ser verificados a partir das escalas fornecidas.

[0072] Neste exemplo, a figura 3 indicou que a qualidade de posicionamento da mama foi“boa” e para a densidade foi atribuído um índice Ή’. Para a figura 4, foi atribuído como qualidade “média” o índice para a qualidade do posicionamento da mama e uma densidade estimada‘C’. Na figura 5, foi atribuído o índice de estimação “boa” para a qualidade do posicionamento e índice de densidade estimada‘B’. Na figura 6, foi atribuído o índice “boa” para a qualidade do posicionamento da mama e densidade estimada‘B’.

[0073] Os versados na arte valorizarão os conhecimentos aqui apresentados e poderão reproduzir a invenção nas modalidades apresentadas e em outras variantes e alternativas, abrangidas pelo escopo das reivindicações a seguir.