Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 1.947
Aluna: Flavia Roberta de Souza Brasileiro
Orientadora: Profa. Renata Maria Cardoso Rodrigues de Souza
Co-orientador: Prof. Telmo de Menezes e Silva Filho (Departamento de Estatística/UFPB)
Título: Análise de Imagens Termográficas para Classificação de Câncer de
Mama Utilizando Rede Neural Convolucional
Data: 05/02/2021
Hora/Local: 10h – Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Prof. Nivan Roberto Ferreira Júnior (UFPE / Centro de Informática)
Prof. Marcus Costa de Araújo (UFPE / Departamento de Engenharia Mecânica)
Prof. Renata Maria Cardoso Rodrigues de Souza (UFPE / Centro de Informática)
RESUMO:
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 podendo ser detectados através de
imagens termográficas, após uma análise de inteligência artificial nas
imagens, as anomalias podem ser classificadas pelas suas semelhanças
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 pode ser realizado em pessoas mais jovens, cujo tecido mamário é
mais denso, que torna o diagnóstico mais difícil através da mamografia, que
atualmente é o principal exame para detecção dessa doença. O objetivo deste
trabalho é de 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 a sensibilidade de 98,46%. Após
foi realizada uma classificação binária com intuito de rotular as imagens
em Câncer e Não Câncer como resposta teve 21,94% de taxa de erro global e
a 81,66% de sensibilidade. O método proposto nessa dissertação teve uma
resposta superior, nos dois casos, quando comparado com os resultados
obtidos em algoritmos existentes na literatura.
Palavras-chave: Termografia. Câncer de Mama. Classificação. Deep Learning.
Rede Neural Convolucional.
Comentários desativados