Análise de imagens termográficas para classificação de câncer de mama utilizando Rede Neural Convolucional

• Ano de defesa: 2021
• Autor(a) principal: BRASILEIRO, Flavia Roberta de Souza
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco; UFPE; Brasil; Programa de Pos Graduacao em Ciencia da Computacao
• Palavras-chave em Português: Inteligência computacional; Termografia; Câncer de Mama; Rede Neural Convolucional
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/40116

O câncer de mama é a principal causa de morte por tumor maligno em mulheres no mundo. O diagnóstico precoce é fundamental para o tratamento e cura dos pacientes. Alterações nas mamas como cisto, câncer e tumores benignos apresentam um aumento de irrigação sanguínea na região, causando variações de temperaturas no local e podendo ser detectados através de imagens termográficas. Assim, após uma análise de inteligência artificial nas imagens, as anomalias podem ser classificadas pelas suas características termográficas. A termografia têm se mostrado um exame promissor na detecção da doença, pois possui um baixo custo, além de não causar dano algum ao paciente e de poder ser realizado em pessoas mais jovens, cujo tecido mamário é mais denso, o que torna o diagnóstico mais difícil através da mamografia, que atualmente é o principal exame para detecção dessa doença. O objetivo deste trabalho é desenvolver uma técnica de visão computacional baseada em Rede Neural Convolucional com a finalidade de detectar o câncer de mama através de uma imagem termográfica. Para isso, a mesma base de dados, composta por dados termográficos de 97 pacientes, foi utilizada com duas divisões distintas em relação às classes. No primeiro momento a base de dados foi separada em três classes: benigno, maligno e cisto, tendo como resultado uma taxa de erro global 7, 5% e sensibilidade de 98, 46%. Depois dessa primeira análise, foi realizada uma classificação binária com intuito de rotular as imagens em Câncer e Não Câncer, atingindo 21, 94% de taxa de erro global e 81, 66% de sensibilidade. O método proposto nessa dissertação teve uma resposta superior, nos dois casos, quando comparado com os resultados obtidos por algoritmos existentes na literatura.