Das Montanhas de Minas ao Oceano : Os Caminhos da Ciência para um futuro sustentável
20 a 24 de outubro de 2025
Trabalho 21307
| 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 | PIBIC/CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | Luana Amie Shimomaebara Nishida |
| Orientador | PEDRO MOISES DE SOUSA |
| Título | Redes neurais convolucionais para classificação de mamografias usando aumento de dados |
| Resumo | O câncer de mama é o tipo mais comum de câncer e uma das principais causas de morte mundial. É uma doença causada pela multiplicação de células anormais da mama de forma desordenada, possibilitando o desenvolvimento de um tumor com potencial para invadir outros órgãos. A detecção precoce é essencial para aumentar as chances de um tratamento bem-sucedido, mas os métodos convencionais atuais ainda apresentam inúmeras limitações. Entretanto, a inteligência artificial tem mostrado potencial para auxiliar no diagnóstico. Por isso, este projeto busca utilizar Redes Neurais Convolucionais para ajudar a classificar entre maligno e benigno, e densidade mamária, que é um fator fundamental para o diagnóstico do câncer de mama. Primeiramente, por se ter um conjunto de dados pequeno, foi testado uma combinação entre os bancos INbreast e RSNA, e depois foi treinado apenas utilizando o conjunto de dados INbreast com aplicação de aumento de dados (data augmentation). Ambos os conjuntos foram pré-processados com recorte de fundo para um melhor desempenho, e o treinamento foi feito utilizando a rede pré-treinada ResNet-50, por apresentar melhores resultados nos experimentos. A operação de convolução e as camadas de pooling foram usadas para processar as entradas e extrair características complexas. E as camadas totalmente conectadas foram responsáveis pela classificação e identificação dessas características. O resultado obtido foi uma acurácia de 89,29% para o conjunto combinado entre INbreast e RSNA, e 93,3% para o conjunto INbreast usando aumento de dados. O estudo demonstra a eficácia do aumento de dados aplicado a um conjunto de qualidade, concluindo que o desempenho de um treinamento para classificar densidade e malignidade mamária depende muito da qualidade e tamanho do conjunto de dados, sendo de extrema necessidade um banco de dados extenso e de alta qualidade, No entanto, tendo em vista a dificuldade de se encontrar um conjunto grande com alta qualidade, fica evidente a importância do uso de aumento de dados para cenários como este. Além disso, observa-se também que no geral mamas densas configuram malignidade e mamas não densas configuram benignidade na maior parte dos casos, especialmente no conjunto de dados INbreast. |
| Palavras-chave | Redes neurais convolucionais, câncer de mama, classificação |
| Apresentações |
|
Clique na forma de apresentação para ver a apresentação.
| Link para apresentação | Vídeo |
|---|