Das Montanhas de Minas ao Oceano : Os Caminhos da Ciência para um futuro sustentável
20 a 24 de outubro de 2025
Trabalho 21294
| 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 |
| Bolsa | FUNARBIC/FUNARBE |
| Conclusão de bolsa | Sim |
| Apoio financeiro | FUNARBE |
| Primeiro autor | Moisés José Moreira Ribeiro |
| Orientador | PEDRO MOISES DE SOUSA |
| Título | Classificação de imagens histopatológicas de câncer de mama utilizando Redes Neurais Convolucionais |
| Resumo | O câncer de mama é uma das principais causas de mortalidade entre mulheres no Brasil, sendo responsável por milhares de novos casos e óbitos a cada ano. Com o avanço das tecnologias computacionais, especialmente na área de visão computacional e inteligência artificial, surgem ferramentas capazes de auxiliar profissionais da saúde na detecção precoce e no diagnóstico preciso da doença. Dentre essas ferramentas, destacam-se as Redes Neurais Convolucionais (CNNs), que vêm sendo amplamente aplicadas na classificação de imagens médicas, incluindo imagens histopatológicas de câncer de mama. Neste trabalho, propôs-se a aplicação de arquiteturas de CNN para a classificação de imagens histopatológicas do banco de dados BreakHis, que contém amostras de tumores benignos e malignos em diferentes ampliações (40x, 100x, 200x e 400x). As arquiteturas utilizadas foram AlexNet, ResNet-50 e EfficientNet, todas com pesos pré-treinados no ImageNet e readequadas para a tarefa de classificação binária. Como diferencial metodológico, foram aplicadas diversas técnicas de pré-processamento nas imagens, incluindo a transformada wavelet (Coif5 e fk22), filtros da média, gaussiano e equalização adaptativa de histograma com limitação de contraste (CLAHE). O objetivo dessas técnicas foi realçar características relevantes das imagens para potencializar a capacidade discriminatória das redes. Os resultados indicaram que a rede EfficientNet apresentou o melhor desempenho geral, alcançando acurácia de 98,80% na ampliação 200x sem a aplicação de filtros, enquanto a ResNet-50 destacou-se ao atingir acurácia de 99,20% quando utilizadas técnicas de pré-processamento combinando wavelet Coif5 e filtro da média. Foram utilizadas métricas como acurácia, sensibilidade, especificidade, matrizes de confusão, curvas ROC e gráficos de erro e acurácia para a análise dos modelos. As análises demonstraram a efetividade das CNNs combinadas com técnicas de pré-processamento na classificação das imagens histopatológicas, indicando a viabilidade dessas soluções para auxiliar profissionais da saúde na identificação precoce do câncer de mama. Este estudo reforça o potencial da integração entre inteligência artificial e medicina, contribuindo para a melhoria da acurácia diagnóstica e redução de erros humanos, principalmente em ambientes onde a expertise médica especializada possa ser limitada. Como trabalhos futuros, propõe-se expandir a aplicação destas metodologias para outras bases de dados e patologias, bem como investigar a viabilidade da integração desses modelos em sistemas clínicos de apoio à decisão. |
| Palavras-chave | breakhis, câncer de mama, redes neurais convolucionais |
| Apresentações |
|
Clique na forma de apresentação para ver a apresentação.
| Link para apresentação | Vídeo |
|---|