APRENDIZADO POR TRANSFERÊNCIA COM DENSENET121 PARA CLASSIFICAÇÃO DE LESÕES MAMÁRIAS EM IMAGENS DE MAMOGRAFIA
Resumo
Introdução: O Câncer de mama é caracterizado pela proliferação e crescimento celular descontrolado, e pela presença de vários tipos celulares,apresenta interações específicas no microambiente tumoral, o que limita significativamente a sua compreensão. Segundo a Globocan, em 2024 mais de 2,4 milhões de mulheres no mundo foram diagnosticadas com câncer de mama. Neste cenário, o diagnóstico precoce e a realização da mamografia com a regularidade necessária tornam-se fundamentais. O diagnóstico é feito através do exame de mamografia, que é um exame de um tipo de raio X específico, que serve para visualizar o tecido interno da mama. Desta forma, a inteligência artificial (IA) tem se consolidado no processamento de mamografias, otimizando o diagnóstico e o prognóstico por meio da análise computacional de imagens. Com base nisso, diversos estudos viabilizam o uso da inteligência artificial na radiologia. A comparação na análise mamográfica padrão realizada por radiologistas e a leitura assistida pela inteligência artificial mostraram redução de carga de trabalho e aumento de 20% na detecção de Câncer de Mama. Analisaram o desempenho de diferentes arquiteturas de redes neurais convolucionais para classificar lesões mamárias como benignas ou malignas e verificaram que redes mais profundas, demonstraram maior precisão e por isso são fundamentais para diferenciar características específicas de malignidade. Com isso este trabalho têm como objetivo avaliar o desempenho no uso de aprendizado por transferência em imagens de mamografia, usando uma rede neural estratégia para otimização de diagnóstico precoce.Metodologia: Utilizando a base pública CBIS-DDSM, foram selecionadas e pré-processadas 3.568 imagens de lesões mamárias (2.111 benignas e 1.457 malignas), divididas a nível de paciente, em conjuntos de treino (70%), validação (15%) e teste (15%). Foi utilizada a Rede Neural Convolucional (CNN) simples comparado com o aprendizado por transferência, de forma a executar o modelo pré- treino numa grande base de dados, reaproveitando o conhecimento das camadas iniciais para novas tarefas, com arquitetura DenseNet121 que consiste numa rede neural com 121 camadas, em que cada camada, recebe a entrada de características de todas as anteriores. ACNN foi desenvolvida com cinco blocos convolucionais, otimizador Adam, data augmentation, peso de classes e early stopping, visando a classificação binária de malignidade. Foi comparada a CNN com e sem aprendizado de transferência com o objetivo de validar a estratégia e garantir a robustez ao modelo. O desempenho do modelo foi avaliado no conjunto de teste por métricas como área sob a curva, sensibilidade, precisão e F1-score, e comparado a um baseline baseado em aprendizado de transferência e ajuste fino com a arquitetura DenseNet121. Resultados: A utilização do aprendizado por transferência com a arquitetura DenseNet121 superou o treinamento de uma CNN do zero, considerando como métrica de comparação a área sob a curva (AUC), ao elevar a área sob a curva para 0,714 e ampliar o número de casos malignos na matriz de confusão de 80 para 141, reduzindo drasticamente os falsos negativos. Conclusão: A aplicação de modelos de inteligência artificial baseados em aprendizado de transferência apresentou melhor desempenho na classificação de lesões mamárias como benignas ou malignas em comparação à CNN treinada do zero, considerando as métricas avaliadas, com AUC de 0,714 e redução de falsos negativos, demonstra elevado potencial para automatizar a triagem mamográfica e otimizar o diagnóstico precoce, reduzindo falhas na detecção e aprimorando a precisão clínica em oncologia.
Palavras-chave
Câncer de mama; Mamografia; Inteligência artificial; Rede Neural Convolucional
Texto completo:
PDFApontamentos
- Não há apontamentos.