Impacto dos Marcadores de Posicionamento Anatômico na Detecção de Câncer de Mama por Termografia

• João Augusto Pilato de Castro UFJF
• Fabrício Araújo Filgueiras UFJF
• Luíza Machado Costa Nascimento UFJF
• Heder Soares Bernardino UFJF
• Saulo Moraes Villela UFJF

DOI: https://doi.org/10.5753/sbcas_estendido.2026.21613

Resumo

O câncer de mama permanece como um dos principais desafios de saúde pública, sendo fundamental o diagnóstico precoce. Nesse contexto, a termografia tem sido investigada como estratégia complementar por não ser invasiva, livre de radiação ionizante e de baixo custo operacional. Na literatura sobre classificação de imagens termográficas da mama, estratégias de segmentação da região de interesse são adotadas para eliminar ruídos e destacar informações fisiológicas relevantes. No entanto, podem também remover elementos que desempenham papel funcional no processo de aprendizado. Este estudo investiga a influência de um marcador comumente presente em imagens termográficas no desempenho de modelos de aprendizado profundo para identificação do câncer de mama. Os resultados indicam que preservar o marcador melhora o desempenho, sugerindo que ele atua como uma referência espacial e evidenciando a necessidade de avaliar criticamente estratégias de segmentação e pré-processamento.

Referências

Alshehri, A. and AlSaeed, D. (2023). Breast cancer diagnosis in thermography using pre-trained vgg16 with deep attention mechanisms. Symmetry, 15(3):582.

Bandyopadhyay, S. K. (2010). Survey on segmentation methods for locating masses in a mammogram image. International Journal of Computer Applications, 9(11):25–28.

de Castro, J. A. P., Filgueiras, F. A., Nascimento, L. M. C., Bernardino, H. S., and Villela, S. M. (2026). Impact of anatomical positioning markers on breast cancer detection thermography. In Proceedings of the 2026 International Conference on Computational Science and Its Applications (ICCSA 2026), LNCS. Springer.

Fabbrizzi, S., Papadopoulos, S., Ntoutsi, E., and Kompatsiaris, I. (2022). A survey on bias in visual datasets. Computer Vision and Image Understanding, 223:103552.

Gamal, S., Atef, H., Youssef, D., Ismail, T., and El-Azab, J. (2023). Early breast cancer screening from thermography via deep pre-trained edge detection with extreme gradient boosting. In Intell. Methods, Systems, and Applications (IMSA), pages 430–433.

He, K., Zhang, X., Ren, S., and Sun, J. (2015). Deep residual learning for image recognition. arXiv preprint arXiv:1512.03385.

Krizhevsky, A., Sutskever, I., and Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Adv. Neural Inf. Processing Syst., volume 25, pages 1097–1105. Curran Associates, Inc.

Nguyen Chi, T., Le Thi Thu, H., Doan Quang, T., and Taniar, D. (2025). A lightweight method for breast cancer detection using thermography images with optimized CNN feature and efficient classification. Journal of Imaging Informatics in Medicine, 38(3):1434–1451.

Saadizadeh, S. (2021). Breast cancer detection in thermal images using glrlm algorithm. In Intl. Conf. on Electrical, Communication, and Computer Engineering (ICECCE), pages 1–6, Kuala Lumpur, Malaysia.

Silva, L. F., Saade, D. C. M., Sequeiros, G. O., Silva, A. C., Paiva, A. C., Bravo, R. S., and Conci, A. (2014). A new database for breast research with infrared image. Journal of Medical Imaging and Health Informatics, 4(1):92–100.

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

Singh, J. and Arora, A. S. (2024). Breast cancer detection using infrared thermography: A survey of texture analysis and machine learning approaches. Journal of Medical Imaging and AI Research.