Aplicação de Redes Neurais Convolucionais na Detecção Precoce do Câncer de Mama em Mamografias

Resumo

O câncer de mama é a neoplasia de maior incidência e mortalidade entre as mulheres (WHO, 2024; INCA, 2022). O rastreamento periódico por mamografia digital é o principal método de diagnóstico precoce, elevando a sobrevida a mais de 90% (SBOC, 2023). Contudo, a alta densidade tecidual e contornos lesivos sutis geram considerável variabilidade interobservador na interpretação radiológica (Siqueira; Koch; Paquete, 2018). Nesse cenário, sistemas CAD baseados em Redes Neurais Convolucionais (CNNs) atuam como suporte crucial (Litjens et al., 2017). Este trabalho avalia a hipótese de que a engenharia de dados offline — combinando isolamento anatômico da mama (cropping) e equalização adaptativa de contraste local (CLAHE) — potencializa as cabeças em cascata da Cascade R-CNN (Cai; Vasconcelos, 2018) ao eliminar gradientes nulos de fundo e realçar transições glandulares. O objetivo foi quantificar o impacto desse pré-processamento na detecção de lesões na base INbreast (Moreira et al., 2012) frente a dados não tratados. A pesquisa utilizou estação Ubuntu 22.04 LTS com GPU NVIDIA Orin, Python 3.10, PyTorch 2.5 e MMDetection v3.3.0. Adotou-se o conjunto público INbreast (Moreira et al., 2012), com mamografias digitais diretas (FFDM) e anotações validadas por biópsia em formato COCO. Empregou-se a Cascade R-CNN por sua arquitetura em múltiplos estágios com limiares crescentes de IoU, propiciando refinamento iterativo das caixas delimitadoras. A rede operou com backbone ResNet-50 e FPN, estágios iniciais congelados (frozen_stages=2), otimizador AdamW (lr=1x10^(-4), decay de 0,05) e Cosine Annealing por 100 épocas. Avaliaram-se dois cenários de treinamento: o Experimento 1 (Base), com imagens brutas (640x640 pixels); e o Experimento 2, sob engenharia de dados offline. No Experimento 2, aplicou-se cropping automático (varredura vertical a 20% da altura para orientar a mama, corte 30, margem de 200 pixels e ajuste das caixas COCO) e equalização CLAHE (clip limit 2.0, blocos 8x8) na mama isolada. No Experimento 1, a perda convergiu na 100ª época com mAP_50 = 0,0820 (mAP_s = 0,0280; mAP_m = 0,2050; mAP_l = 0,3000). No Experimento 2, o ápice ocorreu na 79ª época: embora mAP_50 = 0,0610 pela menor resposta a pequenas estruturas (mAP_s = 0,0130), obteve-se salto nas lesões consolidadas: mAP_m = 0,3030 (+9,8% absolutos) e mAP_l = 0,3570 (+5,7% absolutos). O cropping eliminou os gradientes nulos de fundo, focando as convoluções no tecido glandular; a retração em microcalcificações aponta para a calibragem de âncoras na RPN. Os objetivos foram plenamente atingidos, comprovando que a engenharia de ll MOSTRA DE INICIAÇÃO CIENTIFICA E EXTENSÃO dados offline é decisiva no desempenho da Cascade R-CNN em mamografia. Os expressivos ganhos de até 9,8% em lesões médias e grandes confirmam a relevância clínica do pipeline na triagem assistida e na mitigação da variabilidade interobservador. Como trabalhos futuros, prevê-se o ajuste de escala de âncoras na RPN para microlesões e a extensão multibase via Transfer Learning para superar o deslocamento de domínio radiológico.