Breast Cancer Detection in Mammographs

Sumario: Os avanços tecnológicos nas áreas de inteligência artificial e aprendizado de máquinas estão ajudando o homem em diversas áreas, em especial, na área da saúde. A capacidade de treinar redes neurais para que elas consigam identificar padrões a partir de imagens, possibilita que médicos possam utilizar estes modelos para auxiliá-los no momento de fazer o diagnóstico.
Neste sentido, torna-se viável o uso de redes neurais na detecção de diversos tipos de câncer, como o câncer de mama. Este é o tipo mais comum de câncer entre as mulheres nos Estados Unidos . Para 2018 foram estimados 266.120 novos casos (correspondendo a 30% do total de casos de câncer nos Estados Unidos dentre os quais, 40.920 mortais, representando 14% dos óbitos estimados por câncer, no mundo foram estimados 2,1 milhões de casos em 2018, no Brasil as estimativas para o triênio 2020/2022 apontam para 66.2800 casos por ano. A prevenção, atualmente, é a melhor forma de combater os males causados pelo câncer e um diagnóstico precoce aumenta as chances de cura. Segundo o Instituto Nacional de Câncer José Alencar Gomes da Silva (INCA), a detecção do câncer de mama pode ser feita por meio de autoexame das mamas, exame clínico (médico), exames que utilizam imagens, como mamografia, ultrassonografia, termografia e ressonância magnética das mamas ou realizando uma biópsia. A mamografia é o exame padrão para se detectar a presença do câncer. No entanto, ela possui alguns problemas como resultados falso-positivos associados a biópsias falso-positivas. Quanto a sua eficácia, ela varia por conta de diversos fatores, desde a qualidade do exame em si, quanto ao profissional que o realizou.
Neste contexto, o uso de Computer Aided Detection - CAD surge como uma ferramenta a ser utilizada pelo radiologista. Estudos comprovam que tanto diagnósticos feitos apenas por radiologistas, quanto os realizados apenas por CAD, possuem qualidade inferior se comparados a diagnósticos feitos por radiologistas com o uso de detecção auxiliada por computador.

Fecha de início: 27/09/2022
Plazo (meses): 24

Participantes:

Papel	Nombre
Coordinator *	EVANDRO OTTONI TEATINI SALLES
Student Master *	HUGO CESAR DA SILVA FREITAS
Vice coordinator *	JORGE LEONID ACHING SAMATELO