Apoio ao Diagnóstico de Câncer de Mama por meio de Wavelet e Vision Transformers

• Pedro Guagneli Furlan UFU
• Thiago Pirola Ribeiro UFU

DOI: https://doi.org/10.5753/eritm.2026.27433

Resumo

O câncer de mama é uma das principais causas de morte entre as mulheres em todo o mundo, sendo uma das doenças mais estudadas no mundo. As redes neurais têm evoluído consideravelmente, sendo amplamente utilizadas em Sistemas Computacionais de Apoio ao Diagnóstico (CAD). Contudo, a redução de falsos-negativos ainda permanece como um ponto de atenção, por ser o erro mais grave, uma avaliação negativa incorreta pode induzir a paciente a não procurar o médico, gerando um grave risco à saúde. Este trabalho propõe e avalia a utilização da técnica da Transformada Wavelet em uma rede com a arquitetura Vision Transformer (ViT) para classificar mamografias. O treinamento foi estruturado em duas partes principais: a primeira utiliza a técnica como um guia para a rede identificar melhor as bordas; a segunda realiza um ajuste final com as imagens originais pré-processadas, para tentar captar essas bordas. Os resultados demonstraram que o uso apenas da Wavelet melhorou o F1-score em 9,73% e o recall em 8,44%, representando um aumento relevante das métricas.

Referências

Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). Imagenet: A large-scale hierarchical image database. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 248–255, Miami, FL, USA. IEEE.

Dosovitskiy, A. et al. (2020). An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929.

Gao, Y. et al. (2023). The application of traditional machine learning and deep learning techniques in mammography: a review. Frontiers in Oncology, 13:1213045.

Google (2021). Vision transformer (base-sized model). [link].

Heath, M., Bowyer, K., Kopans, D., Moore, R., and Kegelmeyer, W. P. (2001). The digital database for screening mammography. In Yaffe, M. J., editor, Proceedings of the Fifth International Workshop on Digital Mammography, pages 212–218. Medical Physics Publishing. ISBN 1-930524-00-5.

IARC/WHO (2022). Globocan 2022: Cancer today. Technical report, International Agency for Research on Cancer, Lyon.

INCA (2026). Estimativa 2026: incidência de câncer no Brasil. INCA, Rio de Janeiro. Versão eletrônica. Acesso em: 13 maio 2026.

Lekamlage, C. D., Afzal, F., Westerberg, E., and Cheddad, A. (2020). Mini-ddsm: Mammography-based automatic age estimation. In Proceedings of the 3rd International Conference on Digital Medicine and Image Processing (DMIP 2020), pages 1–6, Kyoto, Japan. ACM.

Mallat, S. G. (1989). A theory for multiresolution signal decomposition: the wavelet representation. IEEE transactions on pattern analysis and machine intelligence, 11(7):674–693.

Ou, X., Chen, X., Xu, X., et al. (2021). Recent development in x-ray imaging technology: Future and challenges. Research, 2021:9892152.

Yeasmin, M. N. et al. (2024). Advances of ai in image-based computer-aided diagnosis: A review. Array, page 100357.