Estudo comparativo entre modelos de redes neurais para classificação de tumores em ultrassonografia mamária
Sábháilte in:
| Príomhchruthaitheoir: | |
|---|---|
| Dáta a fhoilsithe: | 2025 |
| Formáid: | Master thesis |
| Teanga: | por |
| Foinse: | Repositório Institucional da UnB |
| Download full: | http://repositorio.unb.br/handle/10482/54216 |
Achoimre: | Dissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Faculdade de Ciências e Tecnologias em Engenharia (FCTE) - Campus Gama, Programa de pós-graduação em Engenharia Biomédica, 2025. |
| _version_ | 1871442452733231104 |
|---|---|
| author | Pereira, Tiago Rodrigues |
| author_browse | Pereira, Tiago Rodrigues |
| author_facet | Pereira, Tiago Rodrigues |
| author_role | author |
| bitstream.checksum.fl_str_mv | 8dee64d370e0541d79583b05683a0647 |
| bitstream.checksumAlgorithm.fl_str_mv | MD5 |
| bitstream.url.fl_str_mv | http://repositorio.unb.br/bitstream/10482/54216/1/TiagoRodriguesPereira_DISSERT.pdf |
| collection | Repositório Institucional da UnB |
| contributor_str_mv | Mendes, Cristiano Jacques Miosso Rodrigues |
| dc.contributor.advisor1.fl_str_mv | Mendes, Cristiano Jacques Miosso Rodrigues |
| dc.contributor.author.fl_str_mv | Pereira, Tiago Rodrigues |
| dc.date.accessioned.fl_str_mv | 2026-03-09T16:46:49Z |
| dc.date.available.fl_str_mv | 2026-03-09T16:46:49Z |
| dc.date.issued.fl_str_mv | 2026-03-09 |
| dc.date.submitted.none.fl_str_mv | 2025-05-05 |
| dc.identifier.citation.fl_str_mv | PEREIRA, Tiago Rodrigues. Estudo comparativo entre modelos de redes neurais para classificação de tumores em ultrassonografia mamária. 2025. 107 f., il. Dissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Brasília, 2025. |
| dc.identifier.uri.fl_str_mv | http://repositorio.unb.br/handle/10482/54216 |
| dc.language.iso.fl_str_mv | por |
| dc.rights.driver.fl_str_mv | info:eu-repo/semantics/openAccess |
| dc.source.none.fl_str_mv | reponame:Repositório Institucional da UnB instname:Universidade de Brasília (UnB) instacron:UNB |
| dc.subject.keyword.pt_BR.fl_str_mv | Câncer de mama Classificação de imagens Ultrassonografia Redes neurais convolucionais Deep Learning Aprendizagem por transferência |
| dc.title.pt_BR.fl_str_mv | Estudo comparativo entre modelos de redes neurais para classificação de tumores em ultrassonografia mamária |
| dc.type.driver.fl_str_mv | info:eu-repo/semantics/masterThesis |
| dc.type.status.fl_str_mv | info:eu-repo/semantics/publishedVersion |
| description | Dissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Faculdade de Ciências e Tecnologias em Engenharia (FCTE) - Campus Gama, Programa de pós-graduação em Engenharia Biomédica, 2025. |
| eu_rights_str_mv | openAccess |
| format | masterThesis |
| id | UNB_ace4e073b9f20b32bb6f1590780ca4d1 |
| identifier_str_mv | PEREIRA, Tiago Rodrigues. Estudo comparativo entre modelos de redes neurais para classificação de tumores em ultrassonografia mamária. 2025. 107 f., il. Dissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Brasília, 2025. |
| instacron_str | UNB |
| institution | UNB |
| instname_str | Universidade de Brasília (UnB) |
| language | por |
| network_acronym_str | UNB |
| network_name_str | Repositório Institucional da UnB |
| oai_identifier_str | oai:repositorio.unb.br:10482/54216 |
| publishDate | 2025 |
| publishDateSort | 2025 |
| reponame_str | Repositório Institucional da UnB |
| repository.mail.fl_str_mv | repositorio@unb.br |
| repository.name.fl_str_mv | Repositório Institucional da UnB - Universidade de Brasília (UnB) |
| repository_id_str | |
| spelling | Pereira, Tiago RodriguesMendes, Cristiano Jacques Miosso Rodrigues2026-03-09T16:46:49Z2026-03-09T16:46:49Z2026-03-092025-05-05PEREIRA, Tiago Rodrigues. Estudo comparativo entre modelos de redes neurais para classificação de tumores em ultrassonografia mamária. 2025. 107 f., il. Dissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Brasília, 2025.http://repositorio.unb.br/handle/10482/54216Dissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Faculdade de Ciências e Tecnologias em Engenharia (FCTE) - Campus Gama, Programa de pós-graduação em Engenharia Biomédica, 2025.O câncer de mama é o tipo que causa mais óbitos entre as mulheres no Brasil e o diagnóstico precoce eleva o prognóstico de pacientes com essa enfermidade. Dentre as principais técnicas não invasivas de detecção do câncer de mama, a ultrassonografia é frequentemente utilizada em mulheres jovens. No entanto, sua eficácia está amplamente vinculada à experiência do profissional de saúde responsável pela sua execução. Assim sendo, a proposta desse estudo é a avaliação comparativa de múltiplas arquiteturas de redes neurais profundas para classificação de imagens de ultrassom da mama com lesões presentes. Nesta avaliação, são feitas seis classificações diferentes: uma quanto à malignidade e cinco variações das categorias BI-RADS. Dentre as arquiteturas implementadas, cinco são variantes de redes neurais convolucionais (CNNs) e uma se baseia no vision transformer (ViT). Para treinamento, validação e teste, são utilizados bancos de dados públicos que contêm tanto rótulos quanto a malignidade como as categorias BI-RADS. Devido à baixa quantidade de dados disponíveis, foi necessário aplicar um aumento artificial por transformações aleatórias. Para aprimoramento dos resultados, são adotados modelos pré-treinados combinados com a técnica de transfer learning (TL). Adicionalmente, são avaliadas quatro diferentes estratégias de pré-processamentos: três baseadas na segmentação por região de interesse (ROI) e uma utilizando a imagem original. A melhor arquitetura para classificação quanto à malignidade, MixNet-XL, alcançou acurácia de 88,3%, F1-Score de 82,0%, e área sob a curva ROC (AUC) de 91,5%. Enquanto o ViT, melhor para classificação BI-RADS 2 a 5 (multiclasse), apresentou acurácia balanceada, F1-Score médio por classe, e AUC de 87,4%, 71,0%, e 88,1%, respectivamente. Os modelos implementados evidenciaram desempenho próximo ou superior ao estado da arte quando utilizados pré-processamentos com segmentação. O uso da imagem original como entrada apresentou resultados promissores nas arquiteturas CNNs propostas. Devido às limitações de hardware para o treinamento dos modelos, as arquiteturas de alta complexidade não foram testadas, as quais apresentam desempenho de estado da arte em benchmarks gerais, como ImageNet1K. Para aplicação clínica, como na triagem de pacientes, os modelos com maior desempenho são prioritários em comparação àqueles cujo desenvolvimento considerou a eficiência computacional, como os avaliados neste estudo. Dessa forma, o uso de arquiteturas mais complexas, em conjunto com técnicas de IA explicável (xAI) para os rótulos definidos, configura-se como uma tendência atual para aplicação de redes neurais em sistemas de auxílio a radiologistas no diagnóstico de imagens de ultrassom mamário.Breast cancer is the type that causes the most deaths among women in Brazil and early diagnosis improves the prognosis for patients with this disease. Of the main noninvasive breast detection techniques, ultrasonography is frequently used in young women. However, its effectiveness is largely linked to the experience of the healthcare professional responsible for its execution. In this study, I aim to perform a comparative evaluation of multiple deep neural network architectures for the classification of breast ultrasound images with lesions. In this assessment, six different classifications are performed: one regarding malignancy (benign or malignant) and five variations of the BI-RADS categories. Among the implemented architectures, five are variants of convolutional neural networks (CNNs) and one is based on the vision transformer (ViT). For training, validation, and testing, public databases containing labels for both malignancy and the BI-RADS categories are used. Due to the limited amount of available data, we applied data augmentation using random transformations. To improve the results, pre-trained models combined with transfer learning (TL) are adopted. Additionally, four different preprocessing strategies are evaluated: three based on region of interest (ROI) segmentation and one using the original image. The best architecture for malignancy classification, MixNet-XL, achieved an accuracy of 88.3 %, F1-Score of 82.0 %, and area under the ROC curve (AUC) of 91.5 %. Meanwhile, ViT, which performed best for BI-RADS 2 to 5 (multiclass) classification, reached balanced accuracy, average F1-Score per class, and AUC of 87.4 %, 71.0 %, and 88.1 %, respectively. The implemented models performed close to or superior to the state-of-the-art when using preprocessing with segmentation. The use of the original image as input showed promising results in the proposed CNN architectures. Hardware limitations for model training prevented testing of high-complexity architectures, which have demonstrated state-of-the-art performance on image classification benchmarks, such as ImageNet1K. For clinical application, such as patient screening, the highest-performing models are prioritized over those developed with computational efficiency in mind, like the ones evaluated in this study. Therefore, using more complex architectures, in conjunction with Explainable AI (xAI) techniques for the given labels, is a current trend in the application of neural networks to systems that aid radiologists in diagnosing breast ultrasound images.Faculdade de Ciências e Tecnologias em Engenharia (FCTE) – Campus UnB GamaPrograma de Pós-Graduação em Engenharia BiomédicaporA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessEstudo comparativo entre modelos de redes neurais para classificação de tumores em ultrassonografia mamáriainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisCâncer de mamaClassificação de imagensUltrassonografiaRedes neurais convolucionaisDeep LearningAprendizagem por transferênciareponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNBORIGINALTiagoRodriguesPereira_DISSERT.pdfapplication/pdf10481914http://repositorio.unb.br/bitstream/10482/54216/1/TiagoRodriguesPereira_DISSERT.pdf8dee64d370e0541d79583b05683a0647MD51open access10482/542162026-03-09 13:46:49.995open accessoai:repositorio.unb.br:10482/54216Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2026-03-09T16:46:49Repositório Institucional da UnB - Universidade de Brasília (UnB) |
| spellingShingle | Estudo comparativo entre modelos de redes neurais para classificação de tumores em ultrassonografia mamária Pereira, Tiago Rodrigues Câncer de mama Classificação de imagens Ultrassonografia Redes neurais convolucionais Deep Learning Aprendizagem por transferência |
| status_str | publishedVersion |
| title | Estudo comparativo entre modelos de redes neurais para classificação de tumores em ultrassonografia mamária |
| title_full | Estudo comparativo entre modelos de redes neurais para classificação de tumores em ultrassonografia mamária |
| title_fullStr | Estudo comparativo entre modelos de redes neurais para classificação de tumores em ultrassonografia mamária |
| title_full_unstemmed | Estudo comparativo entre modelos de redes neurais para classificação de tumores em ultrassonografia mamária |
| title_short | Estudo comparativo entre modelos de redes neurais para classificação de tumores em ultrassonografia mamária |
| title_sort | Estudo comparativo entre modelos de redes neurais para classificação de tumores em ultrassonografia mamária |
| topic | Câncer de mama Classificação de imagens Ultrassonografia Redes neurais convolucionais Deep Learning Aprendizagem por transferência |
| url | http://repositorio.unb.br/handle/10482/54216 |