Classificação de Imagens Histopatológicas Usando uma VGG e Mecanismo de Atenção para Detecção de Câncer de Mama

• Marcelo Luis Rodrigues Filho IFMA
• Omar Andres Carmona Cortes IFMA

DOI: https://doi.org/10.5753/sbcas_estendido.2023.229388

Resumo

O câncer de mama é causada pela divisão celular descontrolada. Dessa forma, a detecção precoce da doença é fundamental para melhorar a vida dos pacientes ou até mesmo curá-los. Nesse contexto, o presente trabalho propõe o uso de uma arquitetura de rede convolucional (CNN) chamada miniVGG, formada por sete camadas e derivada das arquiteturas VGG tradicionais. Os resultados mostraram que uma variação menos profunda combinada com uma estratégia de escolha da taxa de aprendizado e mecanismo de atenção supera o desempenho em tempo de treinamento e classificação das arquiteturas VGG tradicionais alcançando uma acurácia de 93%, precisão de 91%, recall de 92%, F1 Score de 92% e um AUC de 99%.

Referências

Alom, M. Z., Yakopcic, C., Taha, T., and Asari, V. (2019). Breast cancer classification from histopathological images with inception recurrent residual convolutional neural network. Journal of Digital Imaging, 32.

Chaudhari, S., Polatkan, G., Ramanath, R., and Mithal, V. (2019). An Attentive Survey of Attention Models. CoRR, abs/1904.02874.

Han, Z., Wei, B., Zheng, Y., Yin, Y., Li, K., and Li, S. (2017). Breast cancer multiclassification from histopathological images with structured deep learning model. Scientific Reports, 7.

Hu, J., Shen, L., and Sun, G. (2017). Squeeze-and-excitation networks. CoRR, abs/1709.01507.

OMS (2021). Breast Cancer. Disponível em: [link].

Simonyan, K. and Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. In International Conference on Learning Representations.

Sitaula, C. and Hossain, M. (2020). Attention-based VGG-16 model for covid-19 chest x-ray image classification. Applied Intelligence, 51:2850–2863.

Smith, L. N. (2015). Cyclical learning rates for training neural networks. CoRR, abs/1506.01186.

Smith, L. N. and Topin, N. (2017). Super-convergence: Very fast training of networks using large learning rates. CoRR, abs/1708.07120.

Spanhol, F. A., Oliveira, L. S., Petitjean, C., and Heutte, L. (2016). A Dataset for Breast Cancer Histopathological Image Classification. IEEE Transactions on Biomedical Engineering, 63(7):1455–1462.

Younis, A., Qiang, L., Nyatega, C. O., Adamu, M. J., and Kawuwa, H. B. (2022). Brain tumor analysis using deep learning and vgg-16 ensembling learning approaches. Applied Sciences, 12(14).