REGISTRO DOI: 10.69849/revistaft/ra10202506300148
Wellerson Henrique Araújo Oliveira∗
Orientador: Walter Aoiama Nagai†
Coorientador: Rafael Francisco dos Santos‡
Resumo— Este trabalho propõe uma revisão sistemática sobre o uso de Redes Neurais Artificiais (RNA), mais especificamente, Redes Neurais Convolucionais e Visão Computacional para a identificação precoce do câncer de mama, extraindo informações em quatro importantes bases de dados: ACM, IEEE, MEDLINE e SCOPUS. A partir de pesquisas realizadas nestas quatro bases foram elencados mais de 98 artigos relacionados aos tópicos deste trabalho. Neste artigo de TCC, será apresentados resultados destas pesquisas, fundamentação teórica, metodologia de pesquisa, análises de dados e conclusão. É esperado que a pesquisa direcione novos avanços nas áreas das ciências médicas e ciências da computação, além de conceituar e apresentar informações que possibilitem a imersão de novos pesquisadores. Serão apresentados os principais algoritmos, bases de dados e sugestões para avaliação de desempenho das técnicas.
Palavras-chave— Aprendizagem Profunda, Aprendizado de Máquina, Imagens Médicas, Detecção de Câncer, Diagnóstico precoce do câncer de mama, Aprendizagem por transferência
Abstract— This work proposes a systematic review on the use of Artificial Neural Networks (ANN), more specifically, Convolutional Neural Networks and Computer Vision for the early identification of breast cancer, extracting information from four important databases: ACM, IEEE, MEDLINE and SCOPUS. From research carried out in these four databases, more than 98 articles related to the topics of this work were listed. In this TCC article, the results of these researches, theoretical foundation, research methodology, data analysis and conclusion will be presented. The research is expected to direct new advances in the areas of medical sciences and computer sciences, in addition to conceptualizing and presenting information that enables the immersion of new researchers. The main algorithms, databases and suggestions for evaluating the performance of techniques will be presented.
Keywords— Deep Learning, Machine Learning, Medical Imaging, Detection Cancer, Diagnosis Early Breast Cancer, Transfer Learning
1 Introdução
O câncer é um problema de saúde mundial que afeta homens e mulheres em diversas faixas etárias. Segundo Santos et al. (2023), há estimativas de aumento no número de casos no Brasil, para mais de 700 mil novos casos no triênio de 2023-2025 e 25 milhões de novos casos da doença ao redor do mundo até o ano de 2030.
Devido a esse cenário, se faz imprescindível a busca por tecnologias que favoreçam a identificação e reconhecimento de forma precoce da doença, com baixo custo e maior precisão, antecipando tratamentos e a recuperação de pacientes (Andrade et al., 2022).
O levantamento bibliográfico realizado apresentou uma vasta diversidade em relação aos tipos de câncer explorados. O tipo mais discutido é o câncer de mama, com 31,9% do total de artigos inicial que a pesquisa se propôs a revisar, esse valor percentual desconsidera as duplicatas entre as bases.
Uma das principais circunstâncias que remetem ao contexto exploratório das pesquisas de câncer, se devem aos tipos de câncer que apresentam maiores incidências e mortalidades no mundo. Nesse sentido, um dos principais tipos de câncer é o câncer de mama que afeta, na maioria dos casos, a população feminina (Andrade et al., 2022). Conforme Andrade et al. (2022), ao avaliar países de alta renda nota-se o aumento no número de casos acompanhado pela diminuição da mortalidade, pois os países mais desenvolvidos apresentam infraestrutura e tecnologia apropriadas para o diagnóstico precoce da doença, favorecendo a cura dos pacientes.
Esta revisão sistemática busca responder às seguintes questões: “Quais técnicas de redes neurais convolucionais e de visão computacional têm sido aplicadas na classificação de imagens de diagnóstico do câncer de mama?” e “Qual a precisão destas técnicas no diagnóstico do câncer de mama?”. Os resultados da revisão sistemática podem auxiliar os pesquisadores nas escolhas das técnicas a serem aplicadas no desenvolvimento de tecnologias que podem trazer impactos nos sistemas de saúde a curto, médio e longo prazo.
O restante do artigo está organizado da seguinte forma: na Seção 2 é apresentada uma revisão dos principais conceitos envolvidos no trabalho; na Seção 3 é explicada a metodologia que será aplicada. Na Seção 4 é apresentado a análise dos dados coletados e finalmente, na Seção 5 é apresentado a conclusão e as perspectivas para futuras pesquisas.
2 Fundamentação teórica
Nesta seção serão apresentados os conceitos de Machine Learning e Deep Learning, assim como uma breve descrição de técnicas utilizadas em estudos dessas áreas como as Redes Neurais Artificiais, as Redes Neurais Convolucionais e o Transfer Learning. Além disso, será apresentado as principais métricas de desempenho para avaliação de desempenho dos modelos desenvolvidos. Também são apresentados as aplicações na área médica e na área de Imagiologia Médica. Por fim, a seção apresenta as Pesquisas atuais para a detecção precoce do câncer de mama e as Expectativas futuras para as áreas de Ciências da Computação e Medicina.
2.1 Machine Learning
O Machine Learning (ML), ou Aprendizagem de Máquina (AM), apresenta diversas definições ao longo de sua história. Para Mitchell (2013), é compreender o aprendizado de máquina como uma busca em um espaço de hipóteses, ou seja, uma busca pelo melhor ajuste em um espaço de possibilidades a partir de um conjunto de parâmetros oriundos da abstração de uma situação ou condição que se deseja prever.
Historicamente, o aprendizado de máquina surgiu com suas primeiras pesquisas por volta de 1940, quando diversos pesquisadores adotavam o termo ”máquinas inteligentes”. Em geral, pode-se dizer que é um campo da Inteligência Artificial que tem como objetivo tornar as máquinas tão inteligentes quanto um humano por meio de abstrações computacionais. Esse contexto proporciona aplicações e pesquisas em diversos domínios e sub domínios, conforme Shinde e Shah (2018), tais como:
• Visão Computacional: Reconhecimento de objetos, detecção de objetos e processamento de objetos são subdomínios no domínio da visão computacional.
• Previsão: Os subdomínios aqui incluem classificação, análise e recomendação, como a classificação de textos e documentos, a análise de imagens e o diagnóstico médico.
• Análise Semântica, Processamento de Linguagem Natural, Recuperação de Informação: A análise semântica é o processo de relacionar estruturas sintáticas de sentenças e palavras ao nível da escrita como um todo. O processamento de linguagem natural envolve programar computadores para processar corretamente dados de linguagem natural. A recuperação de informação é a ciência da busca de informações em um documento, da busca de documentos, da busca de metadados que descrevem os dados e de bancos de dados de sons e imagens.
Atualmente, existem diversas estruturas de aprendizado de máquina de código aberto disponíveis no mercado, permitindo aos engenheiros de aprendizado de máquina criar, implementar e manter sistemas de ML, normalmente utilizando a linguagem de programação Python ou o software MATLAB.
2.2 Redes Neurais Artificiais
A rede neural artificial (RNA) é uma técnica de ML, que teve suas pesquisas iniciais inspiradas por uma hipótese da neurociência em que se acreditava que a atividade mental consistia basicamente na atividade eletroquímica em redes de células cerebrais chamadas neurônios. Os neurônios biológicos são formados por dendritos, considerados como terminais de entrada, a soma (corpo da célula) e axônios, que são considerados os terminais de saída. As comunicações entre os neurônios biológicos ocorrem por meio das sinapses que são as regiões onde dois neurônios entram em contato através da transmissão de impulsos nervosos.
Em 1943 foi desenvolvido por McCulloch e Pitts, o primeiro modelo matemático estatístico capaz de representar um neurˆonio (Figura 1).
Figura 1: Representação de neurônio artificial por McCulloch e Pitts em 1943 de (Fernandes, 1999)
Este modelo, apresentado na Figura 1, é descrito matematicamente como:
onde, xj representam os sinais de entrada; wkj representam os pesos sinápticos do neurˆonio k; vk é a saída da combinação linear; φ(.) é a função de ativação e yk é o sinal de saída.
De forma geral, os sinais de entrada denotados por xj, são os sinais ou medidas advindas do meio externo e que representam os valores assumidos por variáveis de uma aplicação específica. Em relação aos pesos sinápticos (wkj), são os valores que servirão para ponderar cada uma das variáveis de entrada da rede, ou seja quantificar a relevância em relação à funcionalidade do respectivo neurônio.
A saída da combinação linear dada por vk ou também conhecida por potencial de ativação, é o resultado da diferença do valor produzido entre a combinação linear e o limiar de ativação que é por sua vez, a variável que especifica o comportamento do fator de disparo em direção a saída do neurônio.
Por fim, o valor de saída yk é dado pelo comportamento do potencial de ativação ao passar pela função de ativação, ou seja delimitar um intervalo de valores de acordo com a escolha da função de ativação. A função de grau por exemplo apresenta o seguinte comportamento:
A partir desse modelo seguiram-se diversas pesquisas e evoluções mais complexas, como as redes neurais recorrentes, as redes neurais convolucionais, as redes neurais mistas, as redes neurais profundas, dentre outras variações. Suas principais aplicações são na identificação de padrões ou na classificação de parâmetros.
2.3 Deep Learning
O Deep Learning (DL) ou Aprendizagem Profunda (AP) é um subconjunto de machine learning, conforme pode ser visto na Figura 2, no qual as redes neurais artificiais são o principal esquema de aprendizagem. Sabe-se que os algoritmos de DL são inspirados no funcionamento do cérebro humano, e são capazes de analisar e extrair conhecimento a partir de grandes volumes de informação. Pode-se dizer que a aprendizagem profunda é um conjunto de algoritmos capazes de modelar dados abstratos através de múltiplas camadas de processamento (Benuwa et al., 2016).
Conforme Shinde e Shah (2018), as principais razões para a popularidade do DL hoje são o aumento drástico das capacidades de processamento de chips (por exemplo, unidades de GPU), o baixo custo significativo do hardware de computação e os recentes avanços em ML e de pesquisas de processamento de sinais/informações.
Figura 2: Representação por meio de conjuntos da origem do Deep Learning, adaptado de Shinde e Shah (2018)
2.4 Redes Neurais Convolucionais
A Rede Neural Convolucional (CNN, do inglês Convolution Neural Network é o modelo de rede mais utilizado e reconhecido nos últimos anos devido a maior facilidade para ajustes devido a menor quantidade de parâmetros, em relação a outros tipos de redes de deep learning. Além disso a entrada de dados em 2D favorece o reconhecimento e classificação de modelos que se baseiam em imagens, sendo que a convolução filtra as imagens com base em sua estrutura bidimensional. A convolução é parte do processo de reconhecimento da CNN, que é feito em 3 etapas: a convolução de cada camada de entrada; a aplicação de uma função de ativação não linear e outra de subamostragem (pooling) (Pacheco e Pereira, 2018).
Em geral, uma arquitetura de rede do tipo CNN pode possuir diversas camadas. A imagem é inserida na primeira camada (entrada), em que cada filtro (neurônio) dessa camada processa a imagem e a transformará por meio de combinações lineares dos pixels vizinhos. Cada filtro apresenta pesos pré-estabelecidos, com o objetivo de obter a mesma característica, ou seja ocorre um mapeamento de características pré-estabelecidas para serem detectadas. Os filtros são denotados da seguinte forma k x k x d, onde k equivale a geometria espacial e da profundidade do filtro; será utilizado o termo tensor para denotar as matrizes multidimensionais.
A Figura 3 apresenta um exemplo de rede neural convolucional de 2 camadas para a classificação de um animal, mais especificamente a identificação de um gato. Ocorre inicialmente a entrada de uma imagem na primeira camada com tamanho 64x64x3 (k = dimensões da imagem, d = RGB), é aplicado duas camadas de convolução sendo a primeira com 4 filtros de tamanho k = 5 sendo portanto a saída igual ao tensor de tamanho 64x64x4, e a segunda com 5 filtros de tamanho k = 3, resultando na saída de tamanho 64x64x5, sendo que após cada etapa de convolução é aplicado uma função de ativação. O valor de k é utilizado para a referência de posição e quantidade de pixels usados na combinação linear que irá compor a saída, ou seja para um k = 5 terá um total de 25 pixels vizinhos para gerar um único pixel de saída.
Figura 3: Exemplo de funcionamento de uma rede CNN de (Pacheco e Pereira, 2018)
2.5 Transfer Learning
O Transfer Learning (TL) ou Aprendizagem por Transferência (AT) é uma forma de abordagem utilizada para auxiliar no treinamento de algoritmos preditivos que apresentam escassez de conjunto de dados. A ciência cognitiva propõe que o ser humano tem capacidade de realizar atividades similares a partir do reconhecimento de experiências prévias (Kim et al., 2022). Nesse contexto, a experiência prévia a partir de conjuntos de dados amplos permite a generalização e aprimoramento das características de uma rede para evolução nos critérios de desempenho e velocidade de execução, sendo necessário ajustes conforme a situação que se deseja estudar.
Conforme mencionado em Salehi et al. (2023), um dos diversos problemas na aplicação de predição médica se deve a baixa quantidade de dados, sobretudo os supervisionados, ou seja, dados que foram rotulados por intermédio de um especialista com base nas características incidentes sobre o item descrito. Uma das abordagens principais é a busca por algoritmos pré-treinados, como ResNet e LeNet.
Em Salehi et al. (2023) são apresentadas quatro categorias estratégicas para a aplicação de TL, sendo elas:
− Categoria 1: Grande conjunto de dados, mas diferente do conjunto de dados do modelo pré treinado. Recomenda-se a Estratégia 1, que envolve treinar um modelo do zero, mas usando a arquitetura e os pesos de um modelo pré-treinado para inicializar o modelo.
− Categoria 2: Conjunto de dados grande e semelhante ao conjunto de dados do modelo pré treinado. A Estratégia 2 envolve treinar o classificador e as camadas superiores da base convolucional, aproveitando o conhecimento prévio.
− Categoria 3: Conjunto de dados pequeno e diferente do conjunto de dados do modelo pré treinado. A Estratégia 2 é recomendada, mas pode ser um desafio encontrar o equilíbrio certo entre o número de camadas a treinar e a congelar. Técnicas de aumento de dados podem ser necessárias.
− Categoria 4: Conjunto de dados pequeno, mas semelhante ao conjunto de dados do modelo pré treinado. A estratégia 3 é a melhor opção, que envolve usar o modelo pré-treinado como um extrator de recursos fixos, remover a última camada totalmente conectada e treinar um novo classificador usando os recursos resultantes.
2.6 Métricas de desempenho
Para os problemas de classificação, há duas soluções possíveis: acerto ou erro. Entretanto, para um problema de classificação binária tem-se ainda duas outras classes possíveis, as classes positiva e negativa, em suma:
• Verdadeiro positivo (Vp): quando o método retorna que a classe é positiva e, ao verificar a resposta, a classe era realmente positiva;
• Verdadeiro negativo (Vn): quando o método retorna que a classe é negativa e, ao verificar a resposta, a classe era realmente negativa;
• Falso positivo (Fp): quando o método retorna que a classe é positiva, mas ao verificar a resposta, a classe era negativa;
• Falso negativo (Fn): quando o método retorna que a classe é negativa, mas ao verificar a resposta, a classe era positiva.
Conforme visto em Mariano (2021) e Vilela Junior et al. (2022), há algumas métricas para avaliar os algoritmos de machine learning quanto a qualidade na classificação, nesse estudo optou-se por selecionar e avaliar os estudos que tivessem no mínimo as seguintes métricas: acurácia, f-score, sensibilidade e precisão que podem ser extraídas de uma matriz de confusão.
A Matriz de confusão é um recurso visual em que indica a quantidade de ocorrˆencias que um algoritmo obteve para cada classe de soluções possíveis (Figura 4).
Figura 4: Representação das classes de classificação de um conjunto de soluções possíveis (Mariano, 2021)
A acurácia (accuracy ou ACC) avalia simplesmente o percentual de acertos, ou seja, ela pode ser obtida pela raz˜ao entre a quantidade de acertos e o total de entradas:
acurácia = 
A sensibilidade é a métrica que avalia a capacidade do método de detectar com sucesso resultados classificados como positivos, pode ser descrita como:
sensibilidade =
A precisão é a métrica que avalia a quantidade de verdadeiros positivos sobre a soma de todos os valores positivos, sendo descrita por:
precisão =
A f-score ou f1-score ou f1 é uma média harmônica calculada com base na precisão e na sensibilidade, descrita pela equação:
A escolha adequada da métrica de desempenho influência diretamente na confiabilidade do modelo desenvolvido. A acurácia por exemplo é uma métrica amplamente utilizada, entretanto por apresentar apenas o percentual de acerto, seus resultados podem ser superestimados. As métricas mais coerentes são as que apresentam a capacidade de detectar com sucesso os resultados classificados como positivos, nesse sentido as principais escolhas são a sensibilidade e a precisão. Por fim, se destaca a f-score que por se tratar da média harmônica calculada a partir da precisão e da sensibilidade, penaliza os modelos que tem uma das métricas maior que a outra, dessa forma ocorre um incentivo de equilíbrio entre as métricas.
2.7 Aplicações na área médica
O desenvolvimento tecnológico impacta diretamente na expectativa de vida de uma população, ou seja áreas ou regiões mais desenvolvidas tendem a apresentar expectativa de vida maior graças aos recursos de predição e tratamento de doenças, sobretudo no caso do câncer em que o diagnóstico precoce eleva a expectativa de cura (Leite, 2021). Em geral, como visto em (Santos et al., 2019), os sistemas computadorizados de auxílio diagnóstico (CAD) vêm sendo desenvolvidos na área da imagiologia médica com o objetivo de melhorar a acurácia dos exames, a consistência na interpretação de imagens médicas, a avaliação prognóstica e o suporte à decisão terapêutica.
2.7.1 Imagiologia Médica
A Imagiologia médica, conforme visto em (Shen et al., 2017), é uma área da medicina conhecida por utilizar processos e técnicas para reproduzir imagens do corpo humano, a fim de auxiliar médicos no diagnóstico clínico. As principais técnicas de imagem utilizadas são a tomografia computadorizada (TC), ressonância magnética (RM), a tomografia por emissão de pósitrons (PET), ultrassonografia, mamografia e raio-x. Os exames tradicionalmente aplicados para a detecção precoce do câncer de mama são mencionados e detalhados em (Jiang et al., 2023; Andrade et al., 2022), de forma sucinta:
• Tomografia Computadorizada (TC): É uma técnica de diagnóstico por imagem que utiliza a radiação X para visualizar pequenas fatias de regiões do corpo, por meio da rotação do tubo emissor de raios X ao redor do paciente. Em geral é utilizado para visualizar as regiões do tórax e/ou abdome para diagnosticar a disseminação do câncer de mama para outros órgãos.
• Tomografia por Emissão de Pósitrons (PET): Nessa técnica, moléculas de glicose são marcadas por um radioisótopo e injetadas nos pacientes. Como as células de tumores são ávidas da energia proveniente da glicose, esta vai concentrar-se nas células cancerígenas, nas quais o metabolismo celular é mais intenso. Alguns minutos depois da administração da glicose é possível fazer um mapeamento do organismo do paciente detectando ponto a ponto a concentração do radiofármaco no organismo.
• Ressonância Magnética (RM): Esse método utiliza ondas eletromagnéticas para a formação das imagens. Além de permitir uma avaliação detalhada dos nódulos, sem a utilização de raios X, também proporciona uma visão mais abrangente da região profunda do tecido mamário.
• Ultrassonografia: É uma técnica que não prega radiação ionizante para a formação da imagem. Ela usa ondas sonoras de frequência acima do limite audível para o ser humano, que produzem imagens em tempo real de órgãos e tecidos do corpo humano.
• Mamografia: A mamografia é um tipo de raio x, que utiliza baixa radiação para gerar imagens detalhadas, com alta resolução da estrutura interna das mamas. É a principal técnica utilizada devido a eficiência do exame para identificação precoce do câncer de mama, capaz de detectar lesões não palpáveis de tamanhos mínimos ainda na fase pré-clínica da doença.
Segundo Leite (2021) o câncer apresenta um bom prognóstico de sobrevida aos pacientes quando diagnosticado em seus estágios iniciais (no Anexo da Seção 7 são apresentadas os principais sintomas do câncer de mama identificáveis por auto-exame), por isso a importância da realização dos exames de imagem e do desenvolvimento de evoluções nas ferramentas CAD, visando elevar as métricas de desempenho dos algoritmos de classificação utilizados para diagnóstico.
2.7.2 Pesquisas Atuais
Nas pesquisas recentes existem diversas linhas e modelos distintos para a implementação da detecção precoce do câncer de mama. As pesquisas sofrem variações até mesmo das características extraídas da etapa de coleta, que são os dados de entrada das redes neurais, onde a mamografia se destaca por ser considerada o método mais sensível para detectar um câncer de mama em sua fase inicial (Andrade et al., 2022).
Conforme Jiang et al. (2023), existem diversas topologias possíveis de implementação e alguns modelos apresentam resultados razoáveis de classificação como descrito por Nogay et al. (2021) que a partir de alguns modelos de redes neurais pré-treinados, como o Googlenet e o Resnet-18, apresentaram acurácia acima dos 70%. Entretanto, a ausência de base de dados pública com maior diversidade de informação é um fator limitante para os pesquisadores, visto que conjuntos maiores de dados, aumentam o poder de generalização dos algoritmos de diagnóstico precoce.
2.7.3 Expectativas Futuras
A Medicina e a Ciência da Computação apresentam perspectivas amplas e favoráveis de evolução que eventualmente poderá ocasionar uma melhora significativa na sociedade. O Deep Learning aplicado na área de Imagiologia Médica tem apresentado resultados promissores para a detecção precoce de diversas doenças, diversas vezes se equiparando ao diagnóstico de especialistas.
No trabalho de Nan et al. (2020) é apresentada a comparação entre o desempenho de profissionais radiologistas e o algoritmo de DL para a identificação de câncer de mama. Assim sendo, foi realizado um estudo de leitura (reader study) com 14 leitores, sendo 12 radiologistas assistentes em vários níveis de experiência (entre 2 e 25 anos), um residente e um estudante de medicina – cada um lendo 740 exames do conjunto de testes (1.480 mamas): 368 exames selecionados aleatoriamente da subpopulação biopsiada e 372 exames selecionados aleatoriamente de exames que não correspondiam a nenhuma biópsia. Os exames foram embaralhados antes de serem entregues aos leitores. Os leitores foram solicitados a fornecer uma estimativa de probabilidade de malignidade em uma escala de 0% a 100% para cada mama. Os primeiros 20 exames foram utilizados para familiarizar os leitores e portanto foram excluídos da análise, totalizando 720 imagens para avaliação por especialistas. Os resultados dos leitores foram catalogados e analisados em relação às métricas de AUC (Área sob a Curva) que mede a capacidade do modelo de distinguir entre classes positivas e negativas; a PRAUC (Área sob a Curva Precisão-Recall) que mede a capacidade do modelo de encontrar instâncias positivas verdadeiras. De forma geral o modelo DL desenvolvido obteve 0,876 de AUC e 0,318 de PRAUC, já os leitores obtiveram AUC de 0,705 a 0,860 (média: 0,778, desvio padrão: 0,0435), e de PRAUC foi de 0,244 a 0,453 (média: 0,364, desvio padrão: 0,0496).
Uma vez que os sistemas de Deep Learning se igualem ou mesmo ultrapassem as estimativas diagnósticas de especialistas, esses sistemas poderiam funcionar como uma triagem em sistemas de saúde ou até mesmo como sistemas de treinamento de especialistas no diagnóstico de doenças específicas, como visto em Nan et al. (2020), visando elevar o grau de detecção e precisão do atendimento ao público alvo.
3 Metodologia da pesquisa
Para responder às perguntas da pesquisa “Quais técnicas de redes neurais convolucionais e de visão computacional tem sido aplicadas na classificação de imagens de diagnóstico do câncer de mama?” e “Qual a precisão destas técnicas no diagnóstico do câncer de mama? ”será aplicado a metodologia descrita nas quatro etapas a seguir.
3.1 Etapa A – Seleção de Bases de Busca
Nessa etapa, deve ser investigado e definido em quais bases de dados serão realizadas as pesquisas. Deve ser feito uma pesquisa prévia para determinar em quais bases apresentam os trabalhos mais relevantes para a pesquisa proposta. As bases de busca selecionadas foram: IEEE, MEDLINE, ACM, SCOPUS.
A primeira base reúne trabalhos científicos e técnicos publicados pelo Intitute of Electrical and Electronics Engineers e por instituições parceiras, indexando textos completos de mais de 160 periódicos científicos e mais de 1200 anais de eventos Pizzol et al. (2015).
A segunda é uma base de dados norte-americana que apresenta vasta quantidade de documentos da literatura biomédica além de ser uma das principais bases utilizados no contexto brasileiro pela ciência médica conforme apresentado por de Sousa et al. (2021) e Sampson et al. (2009).
A terceira, apresenta banco de dados bibliográfico focado na área de computação, conforme mencionado por de Sousa et al. (2021). A última é uma base científica lançada em 2004, mantida pela editora Elsevier e indexa artigos desde 1960, abrange as áreas do conhecimento como a engenharia e as ciências em geral conforme visto em Pizzol et al. (2015).
3.2 Etapa B – Busca de artigos
A busca de artigos foi uma das etapas mais importantes, pois nela deve ser escolhido a query, ou seja, os termos de buscas que serão utilizados nas pesquisas das bases. A escolha deve estar alinhada às perguntas que a pesquisa quer responder, mas deve ser capaz de selecionar somente os trabalhos mais relevantes. O processo de escolha dos termos não é trivial e deve ser avaliado com pesquisas nas bases escolhidas na etapa anterior.
De forma inicial a pesquisa se iniciou com às perguntas “Quais técnicas de redes neurais e de vis˜ao computacional têm sido aplicadas na classificação de imagens de diagnóstico do câncer? ” e“ Qual a precisão destas técnicas no diagnóstico do câncer?”.
As buscas foram feitas em todas as bases a partir da seguinte query: “neural networks“ AND “cancer“ AND (“computer vision“ OR “classification images“ OR “diagnosis“ OR “detection“) e considerando o intervalo de tempo em que os artigos foram publicados de 2018 à 2023.
A busca inicial retornou mais de 300 artigos, sendo assim foi realizado um pré-levantamento quantitativo onde foi possível elencar a distribuição de artigos por tipo de câncer e de técnica computacional aplicada, contexto que permeia o desenvolvimento específico da pesquisa, ou seja as perguntas iniciais foram redefinidas para o contexto do câncer de mama e das redes neurais convolucionais.
3.3 Etapa C – Seleção de Artigos
Após a aplicação da query de busca nas bases, um número grande de trabalhos pode ser obtido, mesmo tendo sido feito uma boa escolha dos termos e limitando o intervalo de tempo, inicialmente se obteve 361 trabalhos. Então, na etapa atual, deve ser definido os critérios de inclusão e exclusão dos artigos que irão refinar os resultados obtidos. Foi utilizado o critério de unicidade, ou seja, se o artigo aparece em mais de uma base resultou na remoção de 54 artigos. A Tabela 1 apresenta todos os estudos por tipo de câncer após o critério de unicidade ser aplicado.
Além disso, houve seleção através da análise de conteúdo dos títulos e resumos, onde foi avaliado as descrições das técnicas utilizadas e conferência das métricas de desempenho e os tipos de câncer de cada estudo, conforme Tabela 2.
Tabela 2: Sumário da distribuição de tipos de câncer após seleção por critérios de inclusão e exclusão feito pelo autor
3.4 Etapa D – Análise Quantitativa-Qualitativa
Nessa etapa da pesquisa foi feita a revisão sistemática, que é a leitura e compilação de todos os artigos selecionados de câncer de mama, conforme visto na Tabela 2 são 45 artigos selecionados. Nessa etapa são realizadas as análises qualitativas e quantitativas nos artigos selecionados. Para auxiliar nas análises foram selecionados os softwares bibliometrix e Parsifal. Conforme visto em Moreira et al. (2020), o bibliometrix tem uma licença gratuita, documentação extensa, interface gráfica e diversas análises disponíveis como: Autores mais relevantes, Fontes mais relevantes, WordCloud e diversas outras. Já o software Parsifal alinha a praticidade de organização ao de informação e armazenamento em nuvem.
4 Resultados
Nesta seção, são apresentados os resultados obtidos dos 45 artigos selecionados. É possível observar na Figura 5 que o SCOPUS fornece a maior parte dos estudos selecionados.
Figura 5: Quantidade de artigos – por base
Após a pandemia da COVID-19, pesquisas relacionando a inteligência artificial e a medicina aumentaram, impactando na quantidade de artigos em bases de pesquisa. Este aumento pode ser observado na Figura 6. É interessante observar que até o ano de 2020 havia mais pesquisas selecionadas em relação à query construída nesse trabalho pelo IEEE do que qualquer outra base de pesquisa.
Figura 6: Distribuição de artigos – por base nos últimos 5 anos
Em relação a pesquisa, também foram feitas análises para avaliar quais os jornais e revistas em que foram publicados, quais os países e as respectivas instituições que se aprofundaram sobre a temática explorada. Nas tabelas 3, 4 e 5 podem ser observadas estas análises.
Tabela 3: Afiliações mais relevantes
Outro resultado da pesquisa foi identificar os principais termos de cada pesquisa e a respectiva correlação existente entre eles, para isso foi utilizada uma WordCloud a partir da avaliação dos títulos definidos nas respectivas pesquisas, conforme Figura 7.
Figura 7: Nuvem de palavras – Todos os tipos de câncers
Percebe-se que os itens maiores da WordCloud remetem às técnicas de Redes Neurais Convolucionais e que o câncer de mama, seja o diagnóstico ou a detecção, abrangem a maior parte dos artigos analisados.
Além dos aspectos mencionados anteriormente, a pesquisa também avaliou a extração de conteúdo gratuito e de qualidade. Para isso, foi utilizado um sistema de pontuação personalizável em conjunto com o recurso de extração de dados do software Parsifal, conforme a coletânea de informações descritivas fornecidas nas respectivas pesquisas. O padrão de pontuação para a ”Avaliação de Qualidade” consiste em: Sim com peso 1, Parcialmente com peso 0,5 e Não com peso 0.
No recurso de extração de dados do Parsifal, foram definidas as seguintes perguntas: tipo de técnica (novo ou existente), nome da técnica, descrição sucinta da técnica, quantidade de amostras utilizadas para treinamento, quantidade de amostras utilizadas para teste, métricas de desempenho utilizadas, valor da precisão, valor da sensibilidade, valor do F1-Score, tipo de artigo e base de dados utilizada.
A distribuição por tipo de artigo possibilitou constatar que houveram 5 artigos de revisão de literatura e 40 estudos de caso. Dos 45 artigos de câncer de mama, 20 artigos são discutidos novas abordagens e em 24 artigos são discutidas abordagens tradicionais, em destaque as técnicas de Transfer Learning, cabe ressaltar que um artigo não foi possível avaliar o tipo de técnica e por essa razão ele foi removido das tabelas finais, Tabelas 6 e 7.
Os artigos de revisão de estudo tiveram informações extraídas de forma conceitual. Sua contribuição deve-se principalmente à notoriedade e divulgação de diversos bancos de dados utilizados por diversos pesquisadores no país. Entretanto, por não se enquadrarem como um estudo de caso, ou seja, técnicas próprias ou melhorias por novas abordagens, não foram alocados nas Tabelas 6 e 7, que são as análises de qualidade resultantes dos padrões estabelecidos e mencionados nas seções anteriores, em suma, o resultado final da pesquisa. Deve-se destacar que houve a exclusão de um artigo por haver dúvidas quanto à abordagem utilizada pelo autor. Além disso, a fim de contribuir para a comunidade científica, foi elaborada a Tabela 8, que apresenta os principais datasets utilizados por pesquisadores.
5 Conclusão
Nesse artigo de revisão, inicialmente são apresentados conceitos básicos que favorecem a imersão de novos pesquisadores na área, conforme visto na Seção 2. A partir da Seção 4 se pode observar que nos últimos 5 anos houve progressão quantitativa das pesquisas relacionadas a query de busca apresentada na Seção 1. Além disso, pode-se observar que a principal técnica exploratória aplicada foram as redes neurais convolucionais, vide Tabela 9. As técnicas utilizadas e as respectivas métricas de classificação podem ser vistas nas Tabelas 6 e 7, a partir dessa observação se pode concluir que os desempenhos de ML estão evoluindo de forma competitiva e conforme visto, há estudos que sugerem o uso de técnicas de DL para auxiliar profissionais da área médica.
6 Desafios
A área de inteligência artificial aplicada à medicina, sobretudo ao diagnóstico de câncer, apresenta grandes desafios para o treinamento adequado dos algoritmos desenvolvidos. Essa situação ocorre devido à dificuldade de obtenção de datasets confiáveis para treinamento e à ausência de características mínimas, como a delimitação de amostras mínimas para validação ao de desempenho. Em relação ao primeiro ponto, alguns pesquisadores até mesmo criam suas próprias formas de teste, conforme visto em (Chen et al., 2020), onde o autor criou um experimento fantasma para realizar a coleta de amostras e assim dar sequência aos seus estudos. Pode-se observar que o desenvolvimento de um sistema que coordene todas as bases de dados existentes, além da possibilidade de adicionar amostras progressivamente, será essencial em um futuro próximo. Isso traz o desafio de comunicação e apoio mútuo entre as instituições de pesquisa de computação e ciências médicas, para a adoção de sistemas que respeitem a integridade e os dados confidenciais de pacientes, assim como elevados padrões de desempenho na classificação de doenças, como o câncer de mama.
Tabela 6: Sumário de Deep Learning para detecção precoce de câncer de mama – A
Tabela 7: Sumário de Deep Learning para detecção precoce de câncer de mama – B
Tabela 8: Principais Dataset’s Públicos
Referências
Abdelrahman, L., Al Ghamdi, M., Collado-Mesa, F. e Abdel-Mottaleb, M. (2021). Convolutional neural networks for breast cancer detection in mammography: A survey, Computers in Biology and Medicine 131: 104248.
Abunasser, B., AL-Hiealy, M. R., Zaqout, I. e AbuNaser, S. (2023). Convolution Neural Network for Breast Cancer Detection and Classification Using Deep Learning, Asian Pacific Journal of Cancer Prevention 24(2): 531–544.
Alanazi, S. A., Kamruzzaman, M. M., Islam Sarker, M. N., Alruwaili, M., Alhwaiti, Y., Alshammari, N. e Siddiqi, M. H. (2021). Boosting Breast Cancer Detection Using Convolutional Neural Network, Journal of Healthcare Engineering 2021: 1–11.
Aljuaid, H., Alturki, N., Alsubaie, N., Cavallaro, L. e Liotta, A. (2022). Computer-aided diagnosis for breast cancer classification using deep neural networks and transfer learning, Computer Methods and Programs in Biomedicine 223: 106951.
Alshehri, A. e AlSaeed, D. (2022). Breast Cancer Detection in Thermography Using Convolutional Neural Networks (CNNs) with Deep Attention Mechanisms, Applied Sciences 12(24): 12922.
Altaf, M. M. (2021). A hybrid deep learning model for breast cancer diagnosis based on transfer learning and pulse-coupled neural networks, Mathematical Biosciences and Engineering 18(5): 5029–5046.
Amjad Y. Sahib, Muazez Al Ali e Musaddiq Al Ali (2023). Investigation of Early-Stage Breast Cancer Detection using Quantum Neural Network, International Journal of Online and Biomedical Engineering (iJOE) 19(03): 61–81.
Anaya-Isaza, A., Mera-Jimenez, L., CabreraChavarro, J. M., Guachi-Guachi, L., Peluffo Ordonez, D. e Rios-Patino, J. I. (2021). Comparison of Current Deep Convolutional Neural Networks for the Segmentation of Breast Masses in Mammograms, IEEE Access 9: 152206–152225.
Andrade, M. C. D., Ribeiro, A. P., Lanza, K., Lima, L. M. D. e Oliveira, G. L. (2022). Ac¸˜oes de Detec¸c˜ao Precoce do Cˆancer de Mama no Brasil: An´alise dos Dados do Sistema de Informac¸˜ao do Controle do Cˆancer de Mama (Sismama), 20092015, Revista Brasileira de Cancerologia 68(3).
Balasundaram, S., Balasundaram, R., Rasuthevar, G., Joseph, C., Vimala, A. G., Rajendiran, N. e Kaliyamurthy, B. (2021). Automated Detection and Classification of Breast Cancer Nuclei with Deep Convolutional Neural Network, Journal of ICT Research and Applications 15(2): 139–151.
Bardou, D., Zhang, K. e Ahmad, S. M. (2018). Classification of Breast Cancer Based on Histology Images Using Convolutional Neural Networks, IEEE Access 6: 24680–24693.
Benuwa, B. B., Zhan, Y. Z., Ghansah, B., Wornyo, D. K. e Banaseka Kataka, F. (2016). A Review of Deep Machine Learning, International Journal of Engineering Research in Africa 24: 124–136.
Benıtez-Mata, B., Castro, C., Castaneda, R., Vargas, E. e Flores, D.-L. (2020). Prediction of Breast Cancer Diagnosis by Blood Biomarkers Using Artificial Neural Networks, in C. A. Gonzalez D´ıaz, C. Chapa Gonzalez, E. Laciar Leber, H. A. V´elez, N. P. Puente, D.-L. Flores, A. O. Andrade, H. A. Galvan, F. Martìnez, R. Garcia, C. J. Trujillo e A. R. Mej´ıa (eds), VIII Latin American Conference on Biomedical Engineering and XLII National Conference on Biomedical Engineering, Vol. 75, Springer International Publishing, Cham, pp. 47–55. Series Title: IFMBE Proceedings.
Chen, R., Wu, W., Qi, H., Wang, J. e Wang, H. (2020). A Stacked Autoencoder Neural Network Algorithm for Breast Cancer Diagnosis With Magnetic Detection Electrical Impedance Tomography, IEEE Access 8: 5428–5437.
Das, H. S., Das, A., Neog, A., Mallik, S., Bora, K. e Zhao, Z. (2023). Breast cancer detection: Shallow convolutional neural network against deep convolutional neural networks based approach, Frontiers in Genetics 13: 1097207. de Sousa, A. S., de Oliveira, G. S. e Alves, L. H. (2021). A PESQUISA BIBLIOGRÁFICA:´ PRINCÍPIOS E FUNDAMENTOS, A. S. .
Ekici, S. e Jawzal, H. (2020). Breast cancer diagnosis using thermography and convolutional neural networks, Medical Hypotheses 137: 109542.
Fagbuagun, O., Folorunsho, O., Adewole, L. e AkinOlayemi, T. (2022). Breast Cancer Diagnosis in Women Using Neural Networks and Deep Learning, Journal of ICT Research and Applications 16(2): 152–166.
Fernandes, M. A. C. (1999). Redes Neurais Artificiais Aplicadas à Detecção Inteligente de Sinais. Publisher: Unpublished.
Fu, Q. e Dong, H. (2022). Spiking Neural Network Based on Multi-Scale Saliency Fusion for Breast Cancer Detection, Entropy 24(11): 1543.
Guevara-Ponce, V., Roque-Paredes, O., Zerga Morales, C., Flores-Huerta, A., Aymerich-Lau, M. e Iparraguirre-Villanueva, O. (2023). Detection of Breast Cancer using Convolutional Neural Networks with Learning Transfer Mechanisms, International Journal of Advanced Computer Science and Applications 14(6).
Gui, H., Su, T., Pang, Z., Jiao, H., Xiong, L., Jiang, X., Li, L. e Wang, Z. (2022). Diagnosis of Breast Cancer with Strongly Supervised Deep Learning Neural Network, Electronics 11(19): 3003.
Guo, Z., Xu, L. e Ali Asgharzadeholiaee, N. (2022). A Homogeneous Ensemble Classifier for Breast Cancer Detection Using Parameters Tuning of MLP Neural Network, Applied Artificial Intelligence 36(1): 2031820.
Husaini, M. A. S. A., Habaebi, M. H., Hameed, S. A., Islam, M. R. e Gunawan, T. S. (2020). A Systematic Review of Breast Cancer Detection Using Thermography and Neural Networks, IEEE Access 8: 208922–208937.
Jiang, X., Hu, Z., Wang, S. e Zhang, Y. (2023). Deep Learning for Medical Image-Based Cancer Diagnosis, Cancers 15(14): 3608.
Karthiga, R. e Narashimhan, K. (2021). Deep Convolutional Neural Network for Computer-Aided Detection of Breast Cancer Using Histopathology Images, Journal of Physics: Conference Series 1767(1): 012042.
Kim, H. E., Cosa-Linan, A., Santhanam, N., Jannesari, M., Maros, M. E. e Ganslandt, T. (2022). Transfer learning for medical image classification: a literature review, BMC Medical Imaging 22(1): 69.
URL: 1
Kothari, R., Fong, Y. e Storrie-Lombardi, M. C. (2020). Review of Laser Raman Spectroscopy for Surgical Breast Cancer Detection: Stochastic Backpropagation Neural Networks, Sensors 20(21): 6260.
Leite, G. C. (2021). Correlação entre tempo de diagnóstico, tratamento e sobrevida em pacientes com cˆancer de mama: uma revisão de literatura, COLLOQUIUM VITAE 13(1): 12–16.
Leong, Y. S., Hasikin, K., Lai, K. W., Mohd Zain, N. e Azizan, M. M. (2022). Microcalcification Discrimination in Mammography Using Deep Convolutional Neural Network: Towards Rapid and Early Breast Cancer Diagnosis, Frontiers in Public Health 10: 875305.
M. Alqhtani, S. (2022). BreastCNN: A Novel Layerbased Convolutional Neural Network for Breast Cancer Diagnosis in DMR-Thermogram Images, Applied Artificial Intelligence 36(1): 2067631.
Ma, X., Xiong, H., Guo, J., Liu, Z., Han, Y., Liu, M., Guo, Y., Wang, M., Zhong, H. e Guo, Z. (2023). Label-free breast cancer detection and classification by convolutional neural networkbased on exosomes surface-enhanced raman scattering, Journal of Innovative Optical Health Sciences 16(02): 2244001.
Mammoottil, M. J., Kulangara, L. J., Cherian, A. S., Mohandas, P., Hasikin, K. e Mahmud, M. (2022). Detection of Breast Cancer from FiveView Thermal Images Using Convolutional Neural Networks, Journal of Healthcare Engineering 2022: 1–15.
Mariano, D. (2021). Métricas de avalia¸c˜ao em machine learning: acurácia, sensibilidade, precisão, especificidade e F-score, in D. Mariano, F. Z. Dezordi, P. Martins, J. Xavier, T. D. J. Sousa, L. Lima e L. H. Santos (eds), BIOINFO – Revista Brasileira de Bioinformática e Biologia Computacional, 1 edn, Alfahelix.
Masud, M., Eldin Rashed, A. E. e Hossain, M. S. (2022). Convolutional neural network-based models for diagnosis of breast cancer, Neural Computing and Applications 34(14): 11383–11394.
Mitchell, T. M. (2013). Machine learning, McGrawHill series in Computer Science, nachdr. edn, McGraw-Hill, New York.
Moreira, P. S. D. C., Guimarães, A. J. R. e Tsunoda, D. F. (2020). QUAL FERRAMENTA BIBLIOMÉTRICA ESCOLHER?´ um estudo comparativo entre softwares, P2P E INOVAÇÃO˜ 6: 140– 158.
Nagalakshmi, T., Muthukumarasamy, G. e Murugesan, R. (2022). Breast Cancer Detection in Mammogram Images by MapReduce Based Deep Convolutional Neural Networks, International Journal of Intelligent Engineering and Systems 15(1).
Nan, W., Phang, J., Park, J., Shen, Y., Huang, Z., Zorin, M., Jastrzebski, S., Fevry, T., Katsnelson, J., Kim, E., Wolfson, S., Parikh, U., Gaddam, S., Lin, L. L. Y., Ho, K., Weinstein, J. D., Reig, B., Gao, Y., Toth, H., Pysarenko, K., Lewin, A., Lee, J., Airola, K., Mema, E., Chung, S., Hwang, E., Samreen, N., Kim, S. G., Heacock, L., Moy, L., Cho, K. e Geras, K. J. (2020). Deep neural networks improve radiologists’ performance in breast cancer screening, IEEE Transactions on Medical Imaging 39(4): 1184–1194.
Nogay, H., Akinci, T. C. e Yilmaz, M. (2021). Comparative Experimental Investigation and Application of Five Classic Pre-Trained Deep Convolutional Neural Networks via Transfer Learning for Diagnosis of Breast Cancer, Advances in Science and Technology Research Journal 15(3): 1–8.
Ogundokun, R. O., Misra, S., Douglas, M., Damaˇseviˇcius, R. e Maskeliu¯nas, R. (2022). Medical Internet-of-Things Based Breast Cancer Diagnosis Using Hyperparameter-Optimized Neural Networks, Future Internet 14(5): 153.
Oyelade, O. N. e Ezugwu, A. E. (2021). A bioinspired neural architecture search based convolutional neural network for breast cancer detection using histopathology images, Scientific Reports 11(1): 19940.
Oyelade, O. N. e Ezugwu, A. E. (2022). A novel wavelet decomposition and transformation convolutional neural network with data augmentation for breast cancer detection using digital mammogram, Scientific Reports 12(1): 5913.
Pacheco, C. A. R. e Pereira, N. S. (2018). Deep Learning Conceitos e Utilização nas Diversas Áreas do Conhecimento.
Patel, J. J. e Hadia, S. K. (2022). Two-Stage Feature Selection Method Created for 20 Neurons Artificial Neural Networks for Automatic Breast Cancer Detection, Trends in Sciences 20(2): 4027.
Pizzol, L. D., Speroni, R. d. M., Zancanaro, A., Gauthier, F. O. e Todesco, J. L. (2015). ANALISE BIBLIOMÉTRICA DA PRODUÇÃO CIENTÍFICA SOBRE LINKED DATA, 20(3).
Qasim, M. N., Mohammed, T. A. e Bayat, O. (2022). Breast Sentinel Lymph Node Cancer Detection from Mammographic Images Based on Quantum Wavelet Transform and an Atrous Pyramid Convolutional Neural Network, Scientific Programming 2022: 1–13.
Salehi, A. W., Khan, S., Gupta, G., Alabduallah, B. I., Almjally, A., Alsolai, H., Siddiqui, T. e Mellit, A. (2023). A Study of CNN and Transfer Learning in Medical Imaging: Advantages, Challenges, Future Scope, Sustainability 15(7): 5930.
URL: 1
Sampson, M., McGowan, J., Cogo, E., Grimshaw, J., Moher, D. e Lefebvre, C. (2009). An evidence based practice guideline for the peer review of electronic search strategies, Journal of Clinical Epidemiology 62(9): 944–952.
URL: 1
Santos, M. D. O., Lima, F. C. D. S. D., Martins, L. F. L., Oliveira, J. F. P., Almeida, L. M. D. e Cancela, M. D. C. (2023). Estimativa de Incidência de Câncer no Brasil, 2023-2025, Revista Brasileira de Cancerologia 69(1).
Santos, M. K., Ferreira Junior, J. R., Wada, D. T., Ten´orio, A. P. M., Nogueira-Barbosa, M. H. e Marques, P. M. D. A. (2019). Artificial intelligence, machine learning, computer-aided diagnosis, and radiomics: advances in imaging towards to precision medicine, Radiologia Brasileira 52(6): 387– 396.
Sharma, A. e Kumar, D. (2022). Classification with 2-D convolutional neural networks for breast cancer diagnosis, Scientific Reports 12(1): 21857.
Shen, D., Wu, G. e Suk, H.-I. (2017). Deep Learning in Medical Image Analysis.
Shinde, P. P. e Shah, S. (2018). A Review of Machine Learning and Deep Learning Applications, 2018 Fourth International Conference on Computing Communication Control and Automation (ICCUBEA), IEEE, Pune, India, pp. 1–6.
Sanchez-Sauce, R., Pérez-Martın, J. e Luque, M. (2021). Multi-input convolutional neural network for breast cancer detection using thermal images and clinical data, Computer Methods and Programs in Biomedicine 204: 106045.
Vilela Junior, G. D. B., Lima, B. N., Pereira, A. A., Rodrigues, M. F., Oliveira, J. R. L. D., Silio, L. F., Carvalho, A. D. S., Ferreira, H. R. e Passos, R. P. (2022). M´etricas utilizadas para avaliar a eficiˆencia de classificadores em algoritmos inteligentes, Centro de Pesquisas Avançadas em Qualidade de Vida 14(v14n2): 1.
Wanders, A. J. T., Mees, W., Bun, P. A., Janssen, N., Rodriguez´ıguez-Ruiz, A., Dalmı¸s, M. U., Karssemeijer, N., Van Gils, C. H., Sechopoulos, I., Mann, R. M. e Van Rooden, C. J. (2022). Interval Cancer Detection Using a Neural Network and Breast Density in Women with Negative Screening Mammograms, Radiology 303(2): 269–275.
Wang, J., Liu, Q., Xie, H., Yang, Z. e Zhou, H. (2021). Boosted EfficientNet: Detection of Lymph Node Metastases in Breast Cancer Using Convolutional Neural Networks, Cancers 13(4): 661.
Wang, X., Xie, F., Yang, Y., Zhao, J., Wu, G. e Wang, S. (2023). Rapid Diagnosis of Ductal Carcinoma In Situ and Breast Cancer Based on Raman Spectroscopy of Serum Combined with Convolutional Neural Network, Bioengineering 10(1): 65.
Yap, M. H., Pons, G., Marti, J., Ganau, S., Sentis, M., Zwiggelaar, R., Davison, A. K. e Marti, R. (2018). Automated Breast Ultrasound Lesions Detection Using Convolutional Neural Networks, IEEE Journal of Biomedical and Health Informatics 22(4): 1218–1226.
Zemouri, R., Omri, N., Morello, B., Devalland, C., Arnould, L., Zerhouni, N. e Fnaiech, F. (2018). Constructive Deep Neural Network for Breast Cancer Diagnosis, IFAC-PapersOnLine 51(27): 98–103.
Zhou, X., Li, C., Rahaman, M. M., Yao, Y., Ai, S., Sun, C., Wang, Q., Zhang, Y., Li, M., Li, X., Jiang, T., Xue, D., Qi, S. e Teng, Y. (2020). A Comprehensive Review for Breast Histopathology Image Analysis Using Classical and Deep Neural Networks, IEEE Access 8: 90931–90956.
Zou, L., Yu, S., Meng, T., Zhang, Z., Liang, X. e Xie, Y. (2019). A Technical Review of Convolutional Neural Network-Based Mammographic Breast Cancer Diagnosis, Computational and Mathematical Methods in Medicine 2019: 1–16.
7 Anexos
∗Universidade Federal de Itajubá – Campus de Itabira
Rua Irmã Ivone Drumond, 200- Distrito Industrial II- 35903-087 Itabira, Minas Gerais, Brasil
E-mails: whaop10@unifei.edu.br, walternagai@unifei.edu.br, rsantos@unifei.edu.br
† orientador
‡ coorientador