Das Montanhas de Minas ao Oceano : Os Caminhos da Ciência para um futuro sustentável
20 a 24 de outubro de 2025
Trabalho 20947
| Instituição | Universidade Federal de Viçosa |
|---|---|
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Dimensões Sociais: ODS3 |
| Setor | Instituto de Ciências Exatas e Tecnológicas |
| Conclusão de bolsa | Não |
| Primeiro autor | Vinícius Meireles Pereira Santos |
| Orientador | PEDRO MOISES DE SOUSA |
| Título | Detecção de câncer renal em imagens de tomografia computadorizada utilizando redes neurais convolucionais |
| Resumo | Este trabalho tem como objetivo o desenvolvimento de um modelo computacional para detecção de câncer renal em imagens de tomografia computadorizada, utilizando redes neurais convolucionais (CNNs), técnica consolidada em tarefas de classificação de imagens. A proposta inclui também a aplicação do Grad-CAM, uma abordagem que permite gerar mapas de ativação para indicar visualmente as regiões mais relevantes das imagens analisadas, aumentando a interpretabilidade dos resultados. O câncer renal, embora represente uma fração menor dos casos oncológicos no Brasil, é considerado o tumor urológico mais letal e costuma ser diagnosticado tardiamente, em função da ausência de sintomas nas fases iniciais e da inexistência de exames de rastreamento populacional. Diante desse contexto, a proposta busca contribuir para a investigação de soluções que apoiem o diagnóstico precoce por meio de técnicas de inteligência artificial. A base utilizada neste estudo contém 4.566 imagens públicas de tomografia computadorizada, sendo 2.283 representando rins com tumores e 2.283 de rins normais. As imagens serão convertidas para escala de cinza, redimensionadas para 224×224 pixels e divididas em três subconjuntos: 60% para treinamento, 20% para validação e 20% para teste. No conjunto de treinamento, serão aplicadas técnicas de aumento de dados (espelhamento horizontal aleatório, rotação de até 10 graus e translação leve) com o objetivo de aumentar a variabilidade e reduzir o risco de sobreajuste. Serão testadas as arquiteturas ResNet50, VGG16, MobileNetV2 e AlexNet. Os modelos serão treinados com batch size 32, taxa de aprendizado inicial de 0,0001, seed 42, otimizador Adam e função de perda Cross-Entropy Loss. Os experimentos serão conduzidos com auxílio das bibliotecas PyTorch, NumPy, Scikit-Learn e Matplotlib, em dois ambientes: local (com GPU RTX 3050 Ti) e remoto (Google Colab com GPU Tesla T4). A avaliação será realizada por meio de métricas como acurácia, precisão, sensibilidade, F1-Score e função de perda. Após o treinamento, será aplicado o Grad-CAM para geração de mapas de calor. Ao final, os resultados das diferentes arquiteturas serão comparados e analisados com base nas métricas obtidas e na qualidade dos mapas gerados. O projeto está estruturado em seis fases principais e prevê, ao término, a elaboração de relatório e artigo científico com os principais achados. |
| Palavras-chave | classificação de imagens médicas, deep learning, câncer renal |
| Apresentações |
|
Clique na forma de apresentação para ver a apresentação.
| Link para apresentação | Vídeo |
|---|