Banca de QUALIFICAÇÃO: ANDERSON FELIX DA SILVA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : ANDERSON FELIX DA SILVA
DATA : 30/08/2021
LOCAL: Remota
TÍTULO:

Sistema inteligente para o apoio ao diagnóstico do câncer de mama usando imagens termográficas e redes neurais artificiais profundas


PALAVRAS-CHAVES:

Diagnóstico do câncer de mama; aplicativo móvel; mamografia; termografia; redes neurais artificiais profundas.


PÁGINAS: 95
RESUMO:

O câncer de mama é a forma mais mortal de câncer entre mulheres, tanto em países desenvolvidos quanto em países subdesenvolvidos e em desenvolvimento. A mortalidade do câncer de mama está ligada diretamente a estratégias de prevenção da doença, como campanhas educativas e tecnologias de apoio ao diagnóstico precoce do câncer. A técnica mais utilizada no apoio ao diagnóstico do câncer de mama por imagem é a mamografia por Raios-X. No entanto, a mamografia tem suas desvantagens, como o custo, o uso de raios ionizantes (que podem estar relacionados a fatores causadores de câncer), além do desconforto na obtenção da imagem por meio da compressão da mama. Uma técnica complementar à mamografia é a termografia de mama, ela baseia-se nas mudanças metabólicas resultantes do surgimento de células alteradas no tecido mamário, que resultam em modificações da distribuição de calor. A termografia, vem sendo proposta como técnica complementar à mamografia, sendo mais eficiente comparada ao toque da mama e servindo como sistema de triagem, permitindo a detecção precoce de lesões da mama e diminuindo a mortalidade. Dito isso, este trabalho tem como objetivo analisar o uso de redes neurais profundas juntamente com diferentes técnicas de classificação, para o reconhecimento de lesões em imagens termográficas utilizando o software de aprendizado de máquina Weka. Como também, fundamentar um modelo que possa ser explorado em aplicações de apoio ao diagnóstico do câncer de mama para classificação de lesões em termografias. Inicialmente, na etapa de extração de atributos, foram utilizadas diferentes redes profundas da biblioteca DeepLearning4j do Weka: LeNet, ResNet50, NASNetMobile, SqueezeNet e Inception v3. Logo após, foi realizada a seleção dos melhores atributos utilizando PSO. Em seguida, na etapa de classificação e treinamento, foram gerados 30 experimentos para os seguintes classificadores: Naive Bayes, Bayes Net, Random Tree, Árvore de decisão J48, Random Forest, Máquina de Vetor de Suporte SVM e Rede Perceptron Multicamadas MLP. Os resultados foram comparados utilizando gráficos boxplots e tabelas para as métricas de Acurácia, Índice Kappa, Sensibilidade, Especificidade, Área Sob a Curva ROC e Tempo de Treinamento (ms). Por fim, foi analisado os melhores desempenhos entre as redes neurais profundas e os classificadores utilizados. Além disso, também foi analisado o desempenho antes e após a seleção de atributos, com o objetivo de determinar o modelo mais eficiente a ser utilizado. Como resultados, a rede profunda Inception V3 combinada com o classificador SVM com kernel polinomial de 3 teve a maior taxa de acurácia para a abordagem sem a seleção de atributos, obtendo 79,92%. Porém, utilizando a seleção de atributos, a CNN Inception V3 combinada com o classificador SVM com kernel polinomial de 4, obteve uma acurácia de 78,55% com um tempo de treinamento duas vezes menor.


MEMBROS DA BANCA:
Interno - 1807632 - WELLINGTON PINHEIRO DOS SANTOS
Externa ao Programa - 1132340 - RITA DE CASSIA FERNANDES DE LIMA
Notícia cadastrada em: 25/01/2022 16:04
SIGAA | Superintendência de Tecnologia da Informação (STI-UFPE) - (81) 2126-7777 | Copyright © 2006-2024 - UFRN - sigaa09.ufpe.br.sigaa09