Memorial de projetos : extração de características e aprendizado profundo na classificação de imagens

Abstract

Resumo: Este trabalho situa-se no campo da Inteligência Artificial, área que busca desenvolver sistemas capazes de simular capacidades cognitivas humanas através de algoritmos e modelos computacionais. Com enfoque específico na Visão Computacional, o objetivo central consistiu na exploração e comparação de distintas metodologias aplicadas à classificação de imagens histopatológicas de câncer de mama, abrangendo desde técnicas clássicas de processamento até arquiteturas de aprendizado profundo. A investigação explorou duas abordagens principais: engenharia de características através dos Padrões Binários Locais (LBP) e técnicas híbridas utilizando camadas convolucionais como extratores de características, seguida pelo emprego de algoritmos de aprendizado de máquina; e o paradigma de aprendizado de ponta a ponta (end-to-end) através de Redes Neurais Convolucionais (CNNs), incluindo arquiteturas como VGG16 e ResNet50 com estratégias de transfer learning. O estudo demonstrou a relevância do Aumento de Dados (Data Augmentation) como técnica de regularização, mitigando sobreajuste e ampliando a capacidade de generalização dos modelos. Os resultados confirmaram a superioridade das abordagens de aprendizado profundo, com o modelo ResNet50 alcançando acurácia de 68,19%, evidenciando o potencial dos métodos de IA aplicados à análise automatizada em contextos médicos

Abstract: This work is situated in the field of Artificial Intelligence, an area that seeks to develop systems capable of simulating human cognitive abilities through algorithms and computational models. With a specific focus on Computer Vision, the central objective consisted of exploring and comparing different methodologies applied to the classification of histopathological images of breast cancer, ranging from classical processing techniques to deep learning architectures. The investigation explored two main approaches: feature engineering through Local Binary Patterns (LBP) and hybrid techniques using convolutional layers as feature extractors, followed by the employment of machine learning algorithms; and the end-to-end learning paradigm through Convolutional Neural Networks (CNNs), including architectures such as VGG16 and ResNet50 with transfer learning strategies. The study demonstrated the relevance of Data Augmentation as a regularization technique, mitigating overfitting and expanding the generalization capacity of the models. The results confirmed the superiority of deep learning approaches, with the ResNet50 model achieving an accuracy of 68.19%, evidencing the potential of AI methods applied to automated analysis in medical contexts