Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/41222| Título: | Segmentação e classificação experimental de lesões mamográficas com redes neurais convolucionais |
| Título(s) alternativo(s): | Experimental segmentation and classification of mammographic lesions using convolutional neural networks |
| Autor(es): | Alves, Juliana Moreira |
| Orientador(es): | Cunha, Marcio Rodrigues da |
| Palavras-chave: | Aprendizado do computador Visão por computador Processamento de imagens Mamografia Redes neurais (Computação) Machine learning Computer vision Image processing Breast - Radiography Neural networks (Computer science) |
| Data do documento: | 6-Jun-2026 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Campo Mourao |
| Citação: | ALVES, Juliana Moreira. Segmentação e classificação experimental de lesões mamográficas com redes neurais convolucionais. 2026. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica) – Universidade Tecnológica Federal do Paraná, Campo Mourão, 2026. |
| Resumo: | Este trabalho teve como objetivo desenvolver uma aplicação em Python para segmentação e classificação experimental de lesões mamográficas utilizando CNNs. Para isso, foi utilizada a base CBIS-DDSM, composta por imagens mamográficas, informações patológicas e anotações de ROI. A metodologia foi dividida em duas etapas principais: segmentação de regiões suspeitas por meio da U-Net e classificação das lesões em benignas ou malignas com modelos baseados em Transfer Learning. Na etapa de segmentação, foram utilizadas mamografias associadas às respectivas máscaras ROI, permitindo o treinamento supervisionado da U-Net. Após a predição da máscara, foi aplicada uma etapa de pós-processamento para remoção de ruídos, preenchimento de falhas e destaque visual da região suspeita. Na etapa de classificação, foram testadas abordagens com CNN inicial, MobileNetV2 e EfficientNetB0. O ajuste do limiar de decisão para a classe maligna permitiu aumentar o recall dessa classe, priorizando a identificação de casos malignos. Os resultados mostraram que a segmentação ainda apresenta limitações, com Dice de validação igual a 0,2459 e IoU de validação igual a 0,1453. Na classificação, o modelo EfficientNetB0 com limiar de 0,20 apresentou recall de 0,71 para a classe maligna, embora com aumento de falsos positivos. A aplicação desenvolvida permitiu integrar segmentação, pós-processamento, classificação e salvamento automático dos resultados. Conclui-se que o sistema possui caráter acadêmico e experimental, não sendo adequado para uso clínico, mas demonstrando o potencial das CNNs no processamento de imagens mamográficas. |
| Abstract: | This work aimed to develop a Python application for the segmentation and experimental classification of mammographic lesions using CNNs. The CBIS-DDSM database was used, containing mammographic images, pathological information, and ROI annotations. The methodology was divided into two main stages: segmentation of suspicious regions using U-Net and classification of lesions as benign or malignant using Transfer Learning-based models. In the segmentation stage, mammograms associated with their respective ROI masks were used, allowing supervised training of the U-Net model. After mask prediction, a post-processing step was applied to remove noise, fill gaps, and visually highlight the suspicious region. In the classification stage, different approaches were tested, including an initial CNN, MobileNetV2, and EfficientNetB0. Adjusting the decision threshold for the malignant class increased the recall of this class, prioritizing the identification of malignant cases. The results showed that segmentation still presents limitations, with a validation Dice of 0.2459 and a validation IoU of 0.1453. In classification, the EfficientNetB0 model with a threshold of 0.20 achieved a recall of 0.71 for the malignant class, although with an increase in false positives. The developed application integrated segmentation, post-processing, classification, and automatic saving of results. It is concluded that the system has an academic and experimental purpose and is not suitable for clinical use, but it demonstrates the potential of CNNs in mammographic image processing. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/41222 |
| Aparece nas coleções: | CM - Engenharia Eletrônica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| segmentacaoclassificacaomamograficasconvolucionais.pdf | 3,64 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
