DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 331

Aluno: Heuryk Wylk Éboli da Silva

Título: "Sistemas inteligentes baseados em máquinas de aprendizado para apoio ao diagnóstico do câncer de mama usando imagens termográficas"

Orientador: Wellington Pinheiro dos Santos

Coorientadora: Maíra Araújo de Santana

Examinadora Externa: Juliana Carneiro Gomes Cassemiro (UFPE)

Examinador Interno: Sidney Marlon Lopes de Lima

Data-hora: 11 de agosto de 2025 às 14h

Local: Formato remoto - Google meet

---

Resumo:

         "O câncer de mama representa a neoplasia maligna mais comum entre mulheres mundialmente, sendo a detecção precoce fundamental para aumentar as chances de cura e reduzir a mortalidade. A termografia mamária surge como uma técnica promissora de diagnóstico não invasivo, sem radiação ionizante, baseada na detecção de padrões térmicos anormais associados a processos patológicos. No entanto, a interpretação visual das imagens termográficas apresenta desafios relacionados à subjetividade e variabilidade inter-observador. Este trabalho propõe o desenvolvimento de um sistema inteligente denominado DWNNet-Therm (Deep Wavelet Neural Network for Thermography) para classificação automática de imagens termográficas mamárias em quatro categorias: cisto, lesão benigna, lesão maligna e sem lesão. A arquitetura proposta integra a transformada wavelet discreta para análise multiescala com redes neurais convolucionais profundas, permitindo a extração automática de características relevantes em diferentes escalas espaciais. O sistema foi desenvolvido e validado utilizando a base de dados DMR-IR, contendo 211 imagens termográficas com diagnóstico confirmado. O modelo DWNNet-Therm alcançou acurácia global de 74,41%, com precisão macro de 0,76, recall macro de 0,73 e F1-score macro de 0,74. A análise por classe revelou melhor desempenho para lesões malignas (precisão: 0,84) e desempenho equilibrado para as demais categorias. A comparação com métodos da literatura demonstrou superioridade da abordagem proposta em relação a CNNs convencionais, com melhoria de 4,41 pontos percentuais na acurácia. A análise de ablação confirmou a contribuição positiva da integração da transformada wavelet, proporcionando ganho de 4,57 pontos percentuais em relação à arquitetura sem wavelet. Os mapas de ativação de classe evidenciaram que o modelo aprende características clinicamente relevantes, focalizando em regiões de interesse específicas para cada categoria diagnóstica. Os resultados obtidos demonstram o potencial da abordagem proposta como ferramenta de apoio ao diagnóstico do câncer de mama, contribuindo para a democratização do acesso ao diagnóstico precoce através de uma técnica não invasiva e de baixo custo."