Impacto do Aumento de Dados por Ruído Artificial para Classificação de Biópsias de Câncer de Estômago

• Quézia P. Silva PUC Minas
• Alexei C. Machado PUC Minas / UFMG

DOI: https://doi.org/10.5753/sbcas.2026.20492

Resumo

O câncer gástrico está entre as principais causas de morte por câncer no mundo. No entanto, a aplicação de modelos de aprendizado profundo para seu diagnóstico é frequentemente limitada pela escassez e desbalanceamento de dados rotulados. Este trabalho investiga o impacto de técnicas de aumento de dados baseadas em ruído artificial na classificação de imagens histopatológicas de biópsias gástricas. Foram avaliadas três arquiteturas de redes neurais profundas (InceptionV3, VGG16 e ResNet50) em cenários com e sem aumento de dados. Os resultados demonstram que o uso combinado de técnicas de aumento de dados melhora significativamente o desempenho dos modelos, embora o uso isolado de ruído artificial resulte em queda de desempenho.

Referências

Hu, W., Li, C., Li, X., Rahaman, M. M., Ma, J., Zhang, Y., Chen, H., Liu, W., Sun, C., Yao, Y., Sun, H., and Grzegorzek, M. (2022). Gashissdb: A new gastric histopathology image dataset for computer aided diagnosis of gastric cancer. Computers in Biology and Medicine, 142:105207.

Loddo, A., Usai, M., and Di Ruberto, C. (2024). Gastric cancer image classification: A comparative analysis and feature fusion strategies. Journal of Imaging, 10(8).

Rai, H. M., Yoo, J., Atif Moqurrab, S., and Dashkevych, S. (2024). Advancements in traditional machine learning techniques for detection and diagnosis of fatal cancer types: Comprehensive review of biomedical imaging datasets. Measurement, 225:114059.

Shorten, C. and Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1):1–48.

Wang, Z., Liu, Y., and Niu, X. (2023). Application of artificial intelligence for improving early detection and prediction of therapeutic outcomes for gastric cancer in the era of precision oncology. Seminars in Cancer Biology, 93:83–96.

Yang, Y., Zhai, G., Hu, M., and Jiang, W. (2021). Adaptive noise injection for quality improvement of blurry images. In Zhai, G., Zhou, J., Yang, H., An, P., and Yang, X., editors, Digital TV and Wireless Multimedia Communication, pages 96–106, Singapore. Springer Singapore.

Zhao, J., Lui, H., Kalia, S., Lee, T. K., and Zeng, H. (2024). Improving skin cancer detection by raman spectroscopy using convolutional neural networks and data augmentation. Frontiers in Oncology, 14:1320220. PMID: 38962264.