Uso de Redes Neurais Convolucionais para detecção de câncer em mamografias

Abstract

O câncer de mama é uma das principais causas de mortalidade entre mulheres no mundo e representa um desafio para a saúde pública. Sua detecção precoce é de grande importância, pois pode auxiliar no sucesso do tratamento e na sobrevivência das pacientes. Os diagnósitcos dessa doença são realizados por um médico radiologista, que analisa a imagem de uma mamografia gerada por técnicas como tomossíntese ou radiografia e destaca o local do tumor, caso exista. Como tradicionalmente o processo de diagnostóstico é realizado com imagens, isso possibilita que sejam utilizadas técnicas de processamento de imagens ou o desenvolvimento de redes neurais artificiais que sejam capazes de realizar esse papel de detecção de câncer. Este trabalho explora o potencial das Redes Neurais Convolucionais (CNNs) na detecção de câncer de mama ao utilizar técnicas de transfer learning com as arquiteturas DenseNet-121, ResNet-50 e VGG-16. As redes foram treinadas para identificar características específicas do câncer de mama a partir do uso da linguagem de programação python e a biblioteca tensorflow para o processamento e organização das imagens do dataset público DukeDBT e também o desenvolvimento das redes neurais. O objetivo do projeto é avaliar a acurácia, especificidade e sensibilidade das CNNs na detecção de câncer de mama e destacar a viabilidade de sua aplicação em ambientes clínicos com recursos limitados, oferecendo uma alternativa para melhorar os diagnósticos e possivelmente reduzir a mortalidade associada à doença. Os resultados obtidos no trabalho mostram uma viabilidade no uso dessas técnicas para a detecção de tumores. Como exemplo, a rede VGG-16 conseguiu classificar corretamente as imagens que possuíam efetivamente tumores com 83% de sucesso e, possivelmente, mais trabalhos e pesquisas nessa área poderiam melhorar a qualidade dessas classificações.