Banca de DEFESA: KEILA LUCAS DOS SANTOS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : KEILA LUCAS DOS SANTOS
DATA : 27/07/2022
HORA: 09:00
LOCAL: Ambiente virtual Google Meet
TÍTULO:

DEEPMAMO-BR: CLASSIFICAÇÃO INTELIGENTE DE LESÕES MAMÁRIAS UTILIZANDO O PROTOCOLO BI-RADS

PALAVRAS-CHAVES:

Câncer de Mama. BI-RADS. Aprendizado Profundo. Rede Neural Convolucional. Deep Cross-Training.

PÁGINAS: 45
RESUMO:

O câncer de mama é a neoplasia maligna mais comum entre as mulheres (exceto câncer de pele não melanoma), e o envelhecimento é um dos principais fatores de risco para o desenvolvimento da doença. De acordo com a Organização Mundial da Saúde, a estimativa mundial para o câncer de mama em 2020 foi definida em 2,3 milhões de mulheres com diagnóstico positivo e um total de 685.000 mortes. Na população brasileira, o risco estimado corresponde a 61,61 novos casos por ano a cada 100 mil mulheres. O rastreamento da doença por meio dos exames mamográficos favorece a detecção precoce dos primeiros sinais da doença e influencia na redução da taxa de mortalidade. No entanto, a detecção de lesões em imagens mamográficas é um processo complexo, no qual a precisão dos resultados pode ser afetada por fatores técnicos e biológicos. A ocorrência de falso-positivos e falso-negativos é uma das principais preocupações do imageamento por mamografia. Estima-se que os radiologistas ainda percam entre 10% e 30% dos nódulos com câncer. O desenvolvimento de sistemas Computer-Aided Diagnosis (CAD) integrados com as redes neurais profundas permite uma análise objetiva das imagens de mamografias e podem auxiliar o profissional médico na tomada de decisão do diagnóstico do câncer de mama. Dessa forma, esse trabalho tem como objetivo desenvolver uma metodologia e um modelo de Aprendizado Profundo para a classificação de mamografias, de acordo com as categorias de 1 a 5 do protocolo de avaliação BI-RADS, visando a identificação de lesões na mama. Os experimentos de trabalho foram realizados com as imagens de mamografias de duas bases de dados públicas, o CBIS-DDSM e o INbreast. A partir dos recursos das Redes Neurais Convolucionais na abordagem de classificação com Deep Cross-Training (DCT) foi possível alcançar nos resultados de predição, uma acurácia média de 0,745 e F1-score de 0,738 nos modelos baseados na arquitetura ResNet-18, com uso das ROIs de imagens do banco CBIS-DDSM.

MEMBROS DA BANCA:
Presidente - 718.640.914-87 - MARCELINO PEREIRA DOS SANTOS SILVA - UERN
Interna - 1521615 - ANGELICA FELIX DE CASTRO
Externo à Instituição - WELLINGTON CANDEIA DE ARAUJO - UEPB