CLASSIFICAÇÃO AUTOMÁTICA COM REDES NEURAIS PROFUNDAS DE ACHADOS RADIOLÓGICOS EM MAMOGRAFIAS
Nome: SABRINA SIQUEIRA PANCERI
Data de publicação: 27/01/2025
Banca:
Nome |
Papel |
|---|---|
| ALBERTO FERREIRA DE SOUZA | Presidente |
| CLAUDINE SANTOS BADUE | Examinador Interno |
| FRANCISCO DE ASSIS BOLDT | Examinador Externo |
| JOSE GERALDO MILL | Examinador Interno |
| MARIELLA BERGER ANDRADE | Examinador Externo |
Resumo: O câncer de mama é o segundo tipo de câncer mais incidente entre as mulheres no mundo, com mais de 2,3 milhões de novos casos registrados, representando 11,6% do total de diagnósticos globais de câncer em 2022. Além disso, continua sendo uma das principais causas de mortalidade entre as mulheres, o que torna a detecção precoce essencial para melhorar o prognóstico e as taxas de sobrevivência. Nos últimos anos, técnicas de aprendizado profundo têm demonstrado grande potencial na automação e aprimoramento do diagnóstico de câncer de mama por meio da análise de mamografias. Esta tese explora a aplicação de redes neurais profundas na análise de imagens mamográficas, com foco na melhoria da precisão, sensibilidade e especificidade na detecção de achados radiológicos. Para isso, criamos um conjunto de dados de mamografias digitais denominado HUCAMammo, utilizado para treinar e validar os modelos de redes neurais. Esse conjunto de dados contém as características necessárias para que os modelos aprendam padrões complexos associados aos achados radiológicos. Nossa abordagem faz uso de técnicas de transfer learning e data augmentation para lidar com os desafios impostos pelos conjuntos de dados desequilibrados e pela variabilidade inerente na densidade do tecido mamário. Os modelos foram avaliados com base em diversas métricas de desempenho, como acurácia, sensibilidade e precisão, demonstrando resultados competitivos em comparação com as avaliações tradicionais realizadas por radiologistas. A integração dessas metodologias baseadas em inteligência artificial tem o potencial de reduzir a carga de trabalho dos radiologistas, aumentar a consistência diagnóstica e, em última análise, contribuir para programas de triagem de câncer de mama mais eficazes. Trabalhos futuros se concentrarão na otimização desses modelos para uso clínico e na expansão de sua aplicabilidade para outras modalidades de imagem.
