Pós-Graduação Stricto Sensu em Ciência e Tecnologia em Saúde
Permanent URI for this communityhttps://repositorio.umc.br/handle/123456789/10
Browse
1 results
Search Results
Item type:Item, Visão computacional para detecção de câncer em imagens de citologia cervical(Universidade de Mogi das Cruzes, 2025-01-27) Croffi, Leticia Brum; Martini, Silvia CristinaEste estudo investigou o uso de redes neurais convolucionais (CNNs) e Vision Transformers (ViTs) na classificação de imagens de citologia cervical, abrangendo células normais e anormais. O objetivo principal era desenvolver um método de processamento de imagens de citologia cervical para detecção de câncer cervical em imagens de citologia cervical. A citologia cervical apresenta desafios significativos devido à alta variabilidade das amostras e à necessidade de diagnósticos precisos para evitar falsos negativos e positivos. Ao revisar estudos e modelos já utilizados, foi proposto um experimento de combinar as capacidades das CNNs para capturar características locais e dos ViTs para identificar características, buscando melhorar o desempenho em cenários ainda não testados. Foram utilizados o modelo EfficientNetb4 (CNN) e o modelo DeiT3-base (ViT), avaliados individualmente e combinados em paralelo com a soma de características extraídas. Os dados consistiram em imagens de conjuntos públicos e de fontes externas, simulando condições próximas à prática clínica. A análise de explicação foi realizada por meio do Grad-CAM, visando garantir maior transparência nos processos de classificação. A interpretabilidade dos modelos é fundamental para sua aplicação na área da saúde, pois permite avaliar se as decisões do modelo estão baseadas em características relevantes ou se são influenciadas por ruídos. Os resultados mostraram que o modelo DeiT3-base apresentou a melhor performance, com sensibilidade de 79,2%, especificidade de 74,7% e AUC de 0,77. O modelo EfficientNet-b4 alcançou sensibilidade de 76,6%, especificidade de 41,7% e AUC de 0,59, enquanto a combinação dos modelos não resultou em melhorias significativas, apresentando sensibilidade de 50,6%, especificidade de 73,0% e AUC de 0,62. Apesar do desempenho promissor do DeiT3, a elevada ocorrência de falsos negativos no conjunto de teste evidencia a necessidade de avanços na adaptação de modelos a imagens sem filtragem. Como sugestões futuras, destaca-se a exploração de outras arquiteturas CNN, técnicas mais eficazes de fusão e abordagens robustas para melhorar a qualidade dos dados de entrada. Este estudo contribui para o avanço do uso de inteligência artificial em aplicações clínicas, enfatizando a importância da explicação e da confiabilidade em sistemas de apoio ao diagnóstico.