Avaliação comparativa de métodos de extração de features e classificação para detecção de mamas em imagens

Abstract

RESUMO

A detecção automática da presença de mamas em imagens médicas constitui uma etapa fundamental para garantir a confiabilidade de sistemas computacionais voltados à estimativa automática do volume mamário. Este trabalho propõe e avalia uma abordagem baseada em classificação com uma única classe (one-class classification), empregando redes neurais convolucionais pré-treinadas como extratoras de características e algoritmos clássicos de detecção de anomalias como classificadores. Foram analisadas as arquiteturas VGG-16, ResNet50 e Xception para extração de embeddings, combinadas com os algoritmos One-Class Support Vector Machine (OC-SVM) e Isolation Forest (iForest). O treinamento foi realizado exclusivamente com imagens positivas, enquanto a avaliação considerou um conjunto de teste balanceado contendo imagens com e sem a presença de mamas. O desempenho das seis combinações avaliadas foi mensurado por meio das métricas acurácia, precisão, sensibilidade e F1-score, além da análise de falsos positivos e falsos negativos. Os resultados demonstraram que a combinação ResNet50 + Isolation Forest apresentou o melhor desempenho global, com maior acurácia e F1-score, elevada sensibilidade e ausência de falsos positivos, evidenciando maior robustez na detecção da presença de mamas. Conclui-se que a escolha adequada do extrator de características e do classificador é determinante para o sucesso da tarefa, e que a abordagem proposta é eficaz como etapa preliminar de verificação automática em sistemas de apoio à estimativa de volume mamário, contribuindo para maior segurança e confiabilidade em aplicações clínicas. ABSTRACT

The automatic detection of the presence of breasts in medical images is a fundamental step to ensure the reliability of computational systems aimed at automatic breast volume estimation. This work proposes and evaluates an approach based on one-class classification, employing pre-trained convolutional neural networks as feature extractors and classical anomaly detection algorithms as classifiers. The VGG-16, ResNet50, and Xception architectures were analyzed for embedding extraction, combined with the One-Class Support Vector Machine (OC-SVM) and Isolation Forest (iForest) algorithms. Training was performed exclusively using positive images, while evaluation was conducted on a balanced test set containing images with and without the presence of breasts. The performance of the six evaluated combinations was assessed using accuracy, precision, sensitivity (recall), and F1-score metrics, as well as the analysis of false positives and false negatives. The results demonstrated that the ResNet50 + Isolation Forest combination achieved the best overall performance, with higher accuracy and F1-score, high sensitivity, and no false positives, indicating greater robustness in detecting the presence of breasts. It is concluded that the appropriate choice of feature extractor and classifier is crucial for the success of the task, and that the proposed approach is effective as a preliminary automatic verification stage in breast volume estimation support systems, contributing to increased safety and reliability in clinical applications.