5.2 TRABALHOS FUTUROS
O método proposto nesta dissertação permite a discussão de novos métodos de classificação baseados em visão computacional, tendo por objetivo o avanço no uso da termografia para o diagnóstico precoce de câncer de mama.
• Para aplicação na detecção de câncer de mama, é necessário adicionar à base de dados o rótulo dos pacientes sem anomalia mamária.
• Testar novas redes neurais, com o intuito de encontrar melhores resultados para classi-ficação.
• Fazer um estudo específico para analisar motivo da piora quando realizou a classificação binária.
54
REFERÊNCIAS
ABRATERM. ABRATERM - Associação Brasileira de Termografia. 2019. Disponível em: <https://www.abraterm.com.br/institucional/pareceres/
publicidade-termografia-de-mama-responsabilidade-profissional/>. Acesso em: 09 de agosto 2020.
ADAM, A.; DIXON, A. K.; GILLARD, J. H.; SCHAEFER-PROKOP, C.; GRAINGER, R. G.; ALLISON, D. J. Grainger & Allison’s Diagnostic Radiology. [S.l.]: Elsevier Health Sciences, 2014.
ANTONELLO, R. Introdução a Visão Computacional com Python e OpenCV. Santa Catarina: [s.n.], 2018.
ARAÚJO, F. H. D.; CARNEIRO, A. C.; SILVA, R. R. V.; S.MEDEIROS, F. N.; USHIZIMA, D. M. III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n.
1. www.eripi.com.br/2017: Livraria da Física, 2017. ISBN 978-85-7669-395-6.
ARAÚJO, M. C.; LIMA, R. C.; SOUZA, R. M. de. Interval symbolic feature extraction for thermography breast cancer detection. In: Expert Systems with Applications 41. [S.l.]: Springer International Publishing, 2014. p. 6728–6737.
ARAÚJO, M. C.; SOUZA, R. M. C. R.; LIMA, R. C. F.; Silva Filho, T. M. An interval prototype classifier based on a parameterized distance applied to breast thermographic images. In: . [S.l.]: Springer, 2017. v. 55, n. 6, p. 873–884.
ARAÚJO, M. C. de. Uso de imagens termográficas para classificação de anormalidades de
mama baseado em variáveis simbólicas intervalares. Tese (Doutorado) — UNIVERSIDADE FEDERAL DE PERNAMBUCO, UFPE, 2014.
BHARGAVA, N.; SHARMA, G.; BHARGAVA, R.; MATHURIA, M. Decision tree analysis on j48 algorithm for data mining. Proceedings of international journal of advanced research in
computer science and software engineering, v. 3, n. 6, 2013.
BOSER, B. E.; GUYON, I. M.; VAPNIK, V. N. A training algorithm for optimal margin classifiers. In: Proceedings of the fifth annual workshop on Computational learning theory. [S.l.: s.n.], 1992. p. 144–152.
BUADES, A.; COLL, B.; MOREL, J. Non-local means filtering. Image Processing Online, 2011. ISSN 2105–1232. Disponível em: <http://www.ipol.im/pub/art/2011/bcm_nlm/>. BUCIU, I.; GACSADI, A. Directional features for automatic tumor classification of
mammogram images. In: Biomedical Signal Processing and Control. [S.l.: s.n.], 2011. v. 6, p. 370–378.
DATA SCIENCE ACADEMY. Deep Learning Book. 2019. Disponível em: <http:// deeplearningbook.com.br/algoritmo-backpropagation-parte-2-treinamento-de-redes-neurais/ >. Acesso em: 31 julho 2020.
55
EKICI, S.; JAWZAL, H. Breast cancer diagnosis using thermography and convolutional neural networks. In: Proceedings of the XXIX Conference on Graphics, Patterns and Images. [s.n.], 2020. v. 137, p. 109542. Disponível em: <http://www.sciencedirect.com/science/article/pii/ S0306987719313659>.
FACELI, K.; LORENA, A. C.; GAMA, J.; CARVALHO, A. C. P. de Leon Ferreira de.
Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina. Rio de Janeiro: [s.n.], 2011. ISBN 978-8521618805.
GAUTHERIE, M.; GROS, C. M. Breast thermography and cancer risk prediction. In: Cancer
45. [S.l.: s.n.], 1980. p. 51–56.
GREATLEARNING. 2020. Disponível em: <https://www.mygreatlearning.com/blog/ understanding-data-augmentation/>. Acesso em: 06 outubro 2020.
HALLIDAY, D.; RESNICK, R.; WALKER, J. Fundamentos de Física, Óptica e Física Moderna 10𝑎 edição. Travessa do Ouvidor, 11, Rio de Janeiro, RJ - CEP 20040-040: LTC, 2018. ISBN 978-1-118-23073-2 (Volume 2).
HAYKIN, S. Neural Networks and Learning Machines. Upper Saddle River, New Jersey 07458.: PEARSON, 2009. ISBN 13: 978-0-13-147139-9.
HEAD, J. F.; WANG, F.; ELLIOTT, R. L. Breast thermography is a noninvasive prognostic procedure that predicts tumor growth rate in breast cancer patients. In: Ann N Y Acad Sci. [S.l.: s.n.], 1993. p. 153–158.
HERSCHEL, W. Experiments on the refrangibility of the invisible rays of the sun. In:
Philosophical Transactions of the Royal Society of London Vol. 90. [S.l.: s.n.], 1800. p. 284–292.
HOSSAM, A.; HARB, H. M.; KADER, H. M. A. E. Automatic image segmentation method for breast cancer analysis using thermography. Journal of Engineering Sciences, v. 46, n. 1, p. 12–32, 2018.
INCA. INCA - Atlas de Mortalidade. 2020. Disponível em: <https://mortalidade.inca.gov.br/ MortalidadeWeb/>. Acesso em: 31 julho 2020.
INCA. INCA - Gráfico de Mortalidade. 2020. Disponível em: <https://mortalidade.inca.gov. br/MortalidadeWeb/pages/Modelo04/consultar.xhtml>. Acesso em: 08 de agosto 2020. INCA. INCA - Instituto Nacional de Câncer. 2020. Disponível em: <https://www.inca.gov. br/en/node/482>. Acesso em: 17 agosto 2020.
INCA. INCA - Instituto Nacional de Câncer. 2020. Disponível em: <https://inca.gov.br/ numeros-de-cancer>. Acesso em: 31 julho 2020.
INCROPERA, F. P.; DEWITT, D. P.; BERGMAN, T. L.; LAVINE, A. S. Fundamentos de
Transferência de Calor e de Massa. São Paulo: LTC, 2008. ISBN 978-85-216-1584-2. JONES, B. F. A reappraisal of the use of infrared thermal image analysis in medicine. In:
IEEE TRANSACTIONS ON MEDICAL IMAGING, VOL. 17, NO. 6. [S.l.: s.n.], 1998. p. 1019–1027.
56
KOAY, J.; HERRY, C.; FRIZE, M. Analysis of breast thermography with an artificial neural network. In: Proceedings of the 26th Annual International Conference of the IEEE EMBS. [S.l.: s.n.], 2004. v. 26, p. 1159–1162.
KOAY, J.; HERRY, C.; FRIZE, M. Analysis of breast thermography with an artificial neural network. In: IEEE. The 26th Annual International Conference of the IEEE Engineering in
Medicine and Biology Society. [S.l.], 2004. v. 1, p. 1159–1162.
KOTSIANTIS, S. B. Decision trees: a recent overview. Artificial Intelligence Review, Springer, v. 39, n. 4, p. 261–283, 2013.
KOVACS, Z. L. Nedes Neurais Artificiais. São Paulo ISBN 85-88325-14-4(Edição 4𝑎). KRIZHEVSKY, A.; SUTSKEVER, I.; HINTON, G. E. Imagenet classification with deep convolutional neural networks. In: PEREIRA, F.; BURGES, C. J. C.; BOTTOU, L.; WEINBERGER, K. Q. (Ed.). Advances in Neural Information Processing Systems 25. [S.l.]: Curran Associates, Inc., 2012. p. 1097–1105.
LECUNN, Y.; BOTTOU, L.; BENGIO, Y.; HAFFNER, P. Gradient-based learning applied to document recognition. IEEE Procedings, 1998.
MCCULLOCH, W.; PITTS, W. A logical calculus of the ideas immanent in nervous activity. In: Bulletin of Mathematical Biophysics. [S.l.: s.n.], 1945. v. 5, p. 115–133.
OHASHI, Y.; UCHIDA, I. Some considerations on the diagnosis of breast cancer by thermography in patients with nonpalpable breast cancer. In: Proceedings of the 19th
Annual International Conference of the IEEE Engineering in Medicine and Biology Society. ’Magnificent Milestones and Emerging Opportunities in Medical Engineering’ (Cat. No.97CH36136). [S.l.: s.n.], 1997. v. 2, p. 670–672.
OHASHI, Y.; UCHIDA, I. A tutorial on deep learning part 1: Nonlinear classifiers and the backpropagation algorithm. In: Google Brain, Google Inc. 1600 Amphitheatre Pkwy,
Mountain View, CA 94043. [S.l.: s.n.], 2015.
OPAS. OPAS. 2018. Disponível em: <https://www.paho.org/bra/index.php?option= com_content&view=article&id=5588:folha-informativa-cancer&Itemid=1094#:~:
text=O\%20c\%C3\%A2ncer\%20\%C3\%A9\%20a\%20segunda,de\%20baixa\%20e\ %20m\%C3\%A9dia\%20renda.> Acesso em: 08 de agosto 2020.
QI, X.; ZHANG, L.; CHEN, Y.; PI, Y.; CHEN, Y.; LV, Q.; YI, Z. Automated diagnosis of breast ultrasonography images using deep neural networks. Medical Image Analysis, v. 52, p. 185 – 198, 2019. ISSN 1361-8415.
SARADHI, V. V.; KARNIK, H.; MITRA, P. A decomposition method for support vector clustering. In: IEEE. Proceedings of 2005 International Conference on Intelligent Sensing and
Information Processing, 2005. [S.l.], 2005. p. 268–271.
SRIVASTAVA, N.; HINTON, G.; KRIZHEVSKY, A.; SUTSKEVER, I.; SALAKHUTDINOV, R. Dropout: A simple way to prevent neural networks from overfitting. In: Research 15. [S.l.]: Journal of Machine Learning, 2014. p. 1929–1958.
57
TOLKIEN, J. R. R. O Senhor dos Anéis: A Sociedade do Anel. São Paulo: Martins Fontes, 2000. ISBN 85-336-1337-7.
VARGAS, A. C. G.; PAES, A.; VASCONCELOS, C. N. Um estudo sobre redes neurais convolucionais e sua aplicação em detecção de pedestres. In: Proceedings of the XXIX
Conference on Graphics, Patterns and Images. [S.l.: s.n.], 2016. p. 1–4.
WANG, S.; TANG, C.; SUN, J.; YANG, J.; HUANG, C.; PHILLIPS, P.; ZHANG, Y.-D. Multiple sclerosis identification by 14-layer convolutional neural network with batch normalization, dropout, and stochastic pooling. Frontiers in Neuroscience, v. 12, p. 818, 11 2018.