Avaliação da influência de métodos de pré-processamento de imagens mamográficas no desempenho da Efficientnet-B0 para classificação de lesões mamárias

Abstract

Este trabalho avalia a influência de métodos de pré-processamento no desempenho da arquitetura EfficientNet-B0 para a classificação de lesões mamárias benignas e malignas em imagens de mamografia. Foram selecionadas 127 imagens pertencen- tes ao Digital Mammography Image Dataset (DMID), sendo 80 associadas a lesões benignas e 47 a lesões malignas. Para realizar uma comparação controlada, as mes- mas imagens foram organizadas em três condições experimentais pareadas. A con- dição Original foi formada pelas imagens do subconjunto DMID antes da aplicação dos métodos avaliados, submetidas apenas às etapas comuns de extração da região de interesse, inclusão de margem de 10% e redimensionamento para 768 × 768 pi- xels. O Método A correspondeu às versões das mesmas imagens processadas pelo procedimento de padronização proposto no trabalho Mammo-Bench. O Método B foi produzido a partir das imagens da condição Original por meio da implementação do método apresentado no artigo Noise Removal for Mammogram Images Using Gaus- sian Based Unsharp Masking, baseado na combinação de filtragem Gaussiana e mas- caramento de nitidez. A correspondência entre as três condições foi mantida por meio dos identificadores das imagens, preservando as mesmas lesões, rótulos e divisões de treinamento e validação. A classificação foi realizada com a EfficientNet-B0 inicializada com pesos pré-treinados no ImageNet. O protocolo experimental empregou validação cruzada estratificada com cinco divisões e três repetições, totalizando 15 execuções por condição e 45 treinamentos. O desempenho foi avaliado por meio das métricas AUC, acurácia, sensibilidade, especificidade, precisão, F1-score e Coeficiente de Cor- relação de Matthews, além do teste não paramétrico de Friedman. A condição Original e o Método A apresentaram AUC média de 0,930, enquanto o Método B apresentou AUC média de 0,914. O Método A obteve os maiores valores médios de acurácia, sen- sibilidade, F1-score e MCC. O Método B apresentou maior precisão e especificidade, porém menor sensibilidade. Apesar das diferenças numéricas, não foram identifica- das diferenças estatisticamente significativas entre as três condições. Conclui-se que, no conjunto e no protocolo avaliados, os métodos de pré-processamento produziram diferenças numéricas no comportamento do classificador, mas não foram encontra- das evidências estatisticamente significativas de superioridade em relação à condição Original.

This study evaluates the influence of image preprocessing methods on the perfor- mance of the EfficientNet-B0 architecture for the classification of benign and malignant breast lesions in mammographic images. A total of 127 images belonging to the Digital Mammography Image Dataset (DMID) were selected, including 80 benign and 47 ma- lignant cases. To provide a controlled comparison, the same images were organized into three paired experimental conditions. The Original condition comprised the DMID images before the application of the evaluated preprocessing methods and underwent only the common steps of region-of-interest extraction, addition of a 10% margin, and resizing to 768 × 768 pixels. Method A consisted of the corresponding images pro- cessed according to the standardization procedure proposed in the Mammo-Bench study. Method B was generated from the Original images by implementing the proce- dure presented in the article Noise Removal for Mammogram Images Using Gaussian Based Unsharp Masking, which combines Gaussian filtering and unsharp masking. Im- age identifiers were used to preserve the correspondence among the three conditions, ensuring that the same lesions, labels, and training and validation partitions were used throughout the experiments. Classification was performed using EfficientNet-B0 initial- ized with ImageNet pretrained weights. The experimental protocol employed stratified five-fold cross-validation with three repetitions, resulting in 15 runs per condition and 45 training procedures. Performance was evaluated using AUC, accuracy, sensitivity, specificity, precision, F1-score, and Matthews Correlation Coefficient, in addition to the nonparametric Friedman test. The Original condition and Method A achieved a mean AUC of 0.930, whereas Method B achieved a mean AUC of 0.914. Method A obtained the highest mean accuracy, sensitivity, F1-score, and MCC values. Method B achieved higher precision and specificity but lower sensitivity. Despite the numerical differences, no statistically significant differences were identified among the three conditions. It was therefore concluded that, under the evaluated dataset and experimental protocol, the preprocessing methods produced numerical differences in classifier performance, but no statistically significant evidence of superiority over the Original condition was found.