Aumento de dados para detecção de câncer de mama em imagens histopatológicas utilizando redes adversárias generativas

Resumo

O câncer de mama é uma doença maligna, predominante em mulheres, sendo a principal causa de mortalidade em todo mundo. É caracterizado pelo crescimento exorbitante de células que formam um tumor, chamado de neoplasia. Os tumores podem ser cancerosos (malignos) ou não cancerosos (benignos). Dessa forma, existem diferentes maneiras de diagnosticar o câncer de mama, seja por mamografia, ultrassom, biópsia ou técnicas mais recentes baseadas em aprendizado de máquina, subcampo da inteligência artificial (IA). É notável o sucesso da utilização de técnicas de aprendizado profundo, como Redes Neurais Convolucionais (CNN), para classificar anomalias benignas ou malignas em imagens histopatológicas, a fim de realizar a detecção do câncer de mama. Entretanto, embora as CNNs manifestem êxito em categorizar as neoplasias, ainda existem fatores que interferem na classificação final, como a escassez de informações, uma vez que a maioria dos conjuntos de dados são limitados ou não estão disponíveis publicamente. Desse modo, para mitigar a carência de dados é proposto o uso de método de aumento de dados (DA). Assim sendo, foi utilizado o conceito de Redes Adversárias Generativas (GAN), introduzido pela primeira vez em um artigo de Ian Goodfellow (2014), cujo objetivo é gerar imagens artificiais semelhantes às imagens reais. Portanto, fez-se uso de GAN para expandir a quantidade imagens histopatológicas provenientes do Banco de dados BreakHis (2014), de tal modo que os dados sintéticos gerados pela a rede são anexadas ao conjunto de dados original para compor a entrada da CNN e melhorar o desempenho da rede, a fim de classificar o câncer de mama e categorizar as neoplasias.