Publicação: Aplicação de redes neurais convolucionais a imagens de modelos térmicos para a estimativa de tamanho e posição de inclusões que simulam tumores mamários
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA MECANICA::ENGENHARIA TERMICA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Menegaz, Gabriela Lima
Resumo
O câncer de mama é a neoplasia mais prevalente e mortal entre mulheres em todo o mundo,
o que destaca a necessidade urgente de estratégias de detecção precoce que sejam precisas, seguras
e acessíveis. A mamografia, embora seja o padrão ouro, apresenta limitações, incluindo exposição
repetida à radiação, sensibilidade reduzida em mamas densas e dependência da interpretação de
especialistas, enquanto a ultrassonografia e a ressonância magnética aumentam o custo e a
complexidade. A termografia infravermelha surge como uma alternativa não invasiva, de baixo
custo e livre de radiação, mas a inspeção visual isoladamente carece de sensibilidade para detectar
tumores profundos ou pequenos. Nesse contexto, métodos de aprendizado de máquina têm se
mostrado promissores na extração de padrões térmicos sutis além da percepção humana. Este
estudo implementa e treina em Python com a biblioteca Tensorflow redes neurais convolucionais
para aprender a posição e o diâmetro de uma inclusão esférica em modelos térmicos, utilizando
mapas de temperatura em estado estacionário gerados por meio de simulações de elementos finitos
no Ansys Mechanical. A metodologia é aplicada a dois modelos térmicos: i) paralelepípedo:
simulando experimento realizado em um paralelepído de silicone com inclusão de esferas
aquecidas por resistores térmicos, a rede neural treinada com 270 matrizes (27x39) atingiu precisão
de 99,10% e sensibilidade de 98,10%, e foi capaz de prever corretamente a posição e o diâmetro
da inclusão quando aplicada a um termograma experimental. ii) modelo anatômico: simulando
tecido tumoral metabolicamente ativo imerso em geometria anatômica da mama que representa
tecido mamário saudável, a rede neural treinada com 965 matrizes (50x50) atingiu precisão de
97,63% e sensibilidade de 95,62%. Esses resultados demonstram que uma rede neural pode
aprender de forma confiável características geométricas e físicas relacionadas a inclusões (que
simulam a presença de tumores) a partir de dados térmicos de baixa resolução, indicando a
viabilidade do uso de inteligência artificial aplicada a imagens térmicas para a detecção de tumores.
Abstract
Breast cancer is the most prevalent and deadly neoplasm among women worldwide,
highlighting the urgent need for early detection strategies that are accurate, safe, and accessible.
Mammography, while the gold standard, has limitations, including repeated radiation exposure,
reduced sensitivity in dense breasts, and reliance on expert interpretation, while ultrasound and
magnetic resonance imaging increase cost and complexity. Infrared thermography emerges as a
non-invasive, low-cost, and radiation-free alternative, but visual inspection alone lacks the
sensitivity to detect deep or small tumors. In this context, machine learning methods have shown
promise in extracting subtle thermal patterns beyond human perception. This study implements
and trains convolutional neural networks in Python using the Tensorflow library to learn the
position and diameter of a spherical inclusion in thermal models, using steady-state temperature
maps generated through finite element simulations in Ansys Mechanical. The methodology is
applied to two thermal models: i) parallelepiped: simulating an experiment performed on a silicon
parallelepiped with inclusions of spheres heated by thermal resistors, the neural network trained
with 270 matrices (27x39) achieved an accuracy of 99.10% and a sensitivity of 98.10%, and was
able to correctly predict the position and diameter of the inclusion when applied to an experimental
thermogram. ii) anatomical model: simulating metabolically active tumor tissue immersed in
anatomical breast geometry representing healthy breast tissue, the neural network trained with 965
matrices (50x50) achieved an accuracy of 97.63% and a sensitivity of 95.62%. These results
demonstrate that a neural network can reliably learn geometric and physical characteristics related
to inclusions (which simulate the presence of tumors) from low-resolution thermal data, indicating
the feasibility of using artificial intelligence applied to thermal images for tumor detection.
Palavras-chave
Câncer de mama, Imagens térmicas, Simulações, Termografia, Redes neurais, Breast cancer, Thermal images, Simulations, Thermography, Neural Networks, Engenharia Mecânica
Citação
VIEIRA, João Marcos Gomes. Aplicação de redes neurais convolucionais a imagens de modelos térmicos
para a estimativa de tamanho e posição de inclusões que simulam tumores mamários. 2026. 149 f. Dissertação (Mestrado em Engenharia Mecânica) - Universidade Federal de Uberlândia, Uberlândia, 2026. DOI http://doi.org/10.14393/ufu.di.2026.5503.