Publicação: comparação de modelos de CNN na detecção de câncer de mama utilizando imagens infravermelhas multiângulo
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Fernandes, Henrique Coelho
Resumo
O câncer de mama é o segundo tipo mais comum entre as mulheres, representando um
importante desafio para a área da saúde. Embora a mamografia seja amplamente utilizada
como principal método de diagnóstico, sua confiabilidade é limitada em pacientes
mais jovens. Neste contexto, este estudo investiga o uso de algoritmos de aprendizado
de máquina aplicados a imagens termográficas como alternativa complementar para o
diagnóstico precoce. Utilizando o banco de dados DMR-IR e redes neurais convolucionais
(CNNs) pré-treinadas, foram adotadas modificações arquiteturais conhecidas na literatura
com o intuito de avaliá-las em um cenário de múltiplas entradas com diferentes ângulos
da mama. Dentre os modelos testados, a DenseNet apresentou o melhor desempenho,
com acurácia de 94,44%, F1-score de 0,9474 e sensibilidade de 100%, evidenciando sua
capacidade de identificar corretamente todos os casos positivos. Os resultados indicam
que o aumento da densidade de neurônios pode impactar positivamente o desempenho,
desde que a arquitetura consiga lidar com o maior volume de informações sem overfitting
— como ocorre com a DenseNet, diferentemente da EfficientNet, que apresentou limitações
nesse aspecto. Além disso, a abordagem de múltiplas entradas mostrou-se eficaz
por permitir a análise de regiões anteriormente inacessíveis em arquiteturas de entrada
única. Dessa forma, o uso de aprendizado de máquina com imagens termográficas revela-se
promissor como ferramenta auxiliar na detecção precoce do câncer de mama.
Abstract
Breast cancer is the second most common type among women, representing a major challenge for the healthcare field. Although mammography is widely used as the primary diagnostic method, its reliability is limited in younger patients. In this context, this study investigates the use of machine learning algorithms applied to thermographic images as a complementary alternative for early diagnosis. Using the DMR-IR database and pre-trained Convolutional Neural Networks (CNNs), architectural modifications found in the literature were applied to evaluate them in a multi-input scenario with different breast angles. Among the models tested, DenseNet achieved the best performance, with 94.44% accuracy, an F1-score of 0.9474, and 100% sensitivity, demonstrating its ability to correctly identify all positive cases. The results indicate that increasing neuron density can positively affect performance, provided the architecture can handle the greater information volume without overfitting — as seen with DenseNet, in contrast to EfficientNet, which showed limitations in this regard. Furthermore, the multi-input approach proved effective by enabling the analysis of regions previously inaccessible with single-input architectures. Therefore, the use of machine learning with thermographic images appears promising as an auxiliary tool in the early detection of breast cancer.
Palavras-chave
Redes Neurais Convolucionais, Convolutional Neural Networks, Câncer de Mama, Breast Cancer, Imagens Termográficas, Thermographic Images, Classificação, Classification, Aprendizado de Máquina, Machine Learning
Citação
RESENDE, Gustavo Pioli. Comparação de modelos de CNN na detecção de câncer de mama utilizando imagens infravermelhas multiângulo. 2025. 46 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2025.
DOI
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto