Das Montanhas de Minas ao Oceano : Os Caminhos da Ciência para um futuro sustentável
20 a 24 de outubro de 2025
Trabalho 20954
| 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 | Brenno Alves Silva |
| Orientador | PEDRO MOISES DE SOUSA |
| Outros membros | Moisés José Moreira Ribeiro |
| Título | Auxílio na detecção de nódulos pulmonares em imagens de tomografia computadorizada do tórax usando Redes Neurais Convolucionais |
| Resumo | O câncer de pulmão é atualmente uma das principais causas de morte por neoplasias malignas em todo o mundo, tornando a detecção precoce essencial para aumentar as chances de tratamento e sobrevida dos pacientes. Neste contexto, ferramentas baseadas em inteligência artificial e, em especial, as Redes Neurais Convolucionais (CNNs), têm sido amplamente estudadas e aplicadas como suporte ao diagnóstico médico, especialmente em tarefas de classificação de imagens. O presente trabalho propôs a aplicação de diferentes arquiteturas de CNN para a classificação de imagens médicas associadas ao câncer de pulmão, utilizando técnicas de pré-processamento com a equalização de histograma adaptativa com limitação de contraste (CLAHE) e a transformada wavelet bidimensional. O estudo foi desenvolvido com imagens coletadas de bancos de dados públicos, submetidas inicialmente a diferentes métodos de normalização, onde a técnica CLAHE foi empregada para melhorar a qualidade e o contraste das imagens, potencializando a identificação de características relevantes. Em seguida, foi aplicada a transformada wavelet para decompor as imagens em diferentes frequências, facilitando a extração de padrões úteis para a classificação. Três arquiteturas distintas de redes convolucionais foram utilizadas: AlexNet, ResNet-50 e EfficientNet, todas com pesos pré-treinados e adaptadas para a tarefa de classificação binária entre imagens normais e patológicas. Os experimentos foram conduzidos com diferentes combinações de técnicas de pré-processamento e as redes foram avaliadas em métricas clássicas da literatura, como acurácia, sensibilidade, especificidade, matriz de confusão e curva ROC. Os resultados demonstraram que a utilização das técnicas CLAHE e wavelet em conjunto contribuiu para o aumento da acurácia dos modelos, com destaque para a arquitetura EfficientNet, que obteve acurácia de 98,4% na melhor configuração testada. As demais arquiteturas, AlexNet e ResNet-50, também apresentaram resultados satisfatórios, reforçando a eficiência das CNNs no apoio à detecção de câncer de pulmão. Como contribuição adicional, foi implementado um sistema de geração de mapas de calor para destacar visualmente as regiões com maior probabilidade de conter nódulos pulmonares. Este sistema apresentou mais de 90% de precisão na identificação das áreas suspeitas, facilitando a interpretação e validação por parte de especialistas médicos. A pesquisa evidenciou que o aprimoramento no pré-processamento das imagens impacta diretamente a capacidade discriminatória das redes, permitindo um melhor suporte às atividades médicas de diagnóstico por imagem. Como perspectivas futuras, sugere-se expandir a aplicação dos métodos propostos para bancos de dados mais robustos e para a detecção de outros tipos de câncer, bem como o desenvolvimento de ferramentas computacionais que integrem esses modelos a sistemas de apoio clínico. |
| Palavras-chave | Câncer de Pulmão, Redes Neurais Convolucionais, Imagens Médicas |
| Apresentações |
|
Clique na forma de apresentação para ver a apresentação.
| Link para apresentação | Vídeo |
|---|