Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/38450
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2023_CaioDeOliveiraMendes_tcc.pdf7,77 MBAdobe PDFver/abrir
Título: Diagnóstico de câncer de mama baseado em métodos de aprendizado de máquina
Autor(es): Mendes, Caio de Oliveira
Orientador(es): Oliveira, Roberta Barbosa
Assunto: Mamas - câncer
Diagnóstico por imagem
Aprendizado de máquina
Redes neurais convolucionais (Computação)
Data de apresentação: 13-Dez-2023
Data de publicação: 13-Mai-2024
Referência: MENDES, Caio de Oliveira. Diagnóstico de câncer de mama baseado em métodos de aprendizado de máquina. 2023. 75 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) — Universidade de Brasília, Brasília, 2023.
Resumo: O câncer de mama é o câncer mais diagnosticado no mundo todo além de ser o mais letal entre mulheres. Por essa razão, o diagnóstico precoce é fundamental. O diagnóstico se baseia em métodos de biópsia para obtenção de imagens histopatológicas que são analisadas por médicos histopatologistas. Essa análise é extremamente demorada devido a quantidade de detalhes presentes nessas imagens, sendo comum haver divergência entre os médicos que estão analisando. Desse modo, o presente trabalho objetiva propor um modelo ensemble utilizando a estratégia stacking, em que classificadores base constituídos pela rede ResNet50, uma rede CNN simples e um preditor Random Forest são unidos e combinados utilizando um meta-classificador de regressão linear, para contribuir para servir de apoio para o diagnóstico médico. De modo a avaliar o desempenho do modelo proposto, as métricas de acurácia, precisão, revocação e F1 Score foram utilizadas dentro de uma análise comparativa com outras redes CNN consideradas state-of-the-art. A partir da utilização das redes ResNet50, VGG-16 e InceptionV3 state-of-the-art, foi possível realizar uma análise comparativa envolvendo os fatores de ampliação de 40X, 100X, 200X e 400X das imagens histopatológicas e o comportamento das redes ao utilizar classes balanceadas e desbalanceadas. O modelo proposto apresentou resultados promissores, atingindo 89.84% de acurácia, 86.78% de precisão, 94.19% de revocação e 90.33% de F1 Score para fator de ampliação de 40X. Os resultados obtidos, no geral, foram superiores aos resultados das outras redes CNN state-of-the-art utilizadas para cada fator de ampliação.
Abstract: Breast cancer is the most diagnosed cancer worldwide and remains the deadliest among women. For this reason, early diagnosis is crucial. Diagnosis is based on biopsy methods to obtain histopathological images that are analyzed by histopathologists. This analysis is extremely time-consuming due to the amount of detail in these images, often leading to divergent opinions among analyzing physicians. Therefore, this work aims to propose an ensemble model using the stacking strategy, where base classifiers consisting of the ResNet50 network, a simple CNN, and a Random Forest predictor are combined using a meta-classifier of linear regression to contribute as support for medical diagnosis. Accuracy, precision, recall, and F1 Score metrics were used to evaluate the performance of the proposed model, in a comparative analysis with other state-of-the-art CNN networks. Utilizing ResNet50, VGG-16, and InceptionV3 state-of-the-art networks, a comparative analysis was conducted involving magnification factors of 40X, 100X, 200X and 400X of histopathological images, considering the behavior of the networks when using balanced and unbalanced classes. The proposed model showed promising results, achieving 89.84% accuracy, 86.78% precision, 94.19% recall, and 90.33% F1 Score for a 40X magnification factor. The overall results exceeded those of other state-of-the-art CNNs used for each magnification factor.
Informações adicionais: Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2023.
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.
Aparece na Coleção:Engenharia da Computação



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.