[en] AUTOMATED BREAST DENSITY ASSESSMENT IN MAMMOGRAMS USING DEEP LEARNING

[pt] AVALIAÇÃO AUTOMATIZADA DA DENSIDADE MAMÁRIA EM MAMOGRAFIAS USANDO APRENDIZADO PROFUNDO

[pt] JULIANA HELUY DO PRADO

[pt] CLASSIFICACAO DE IMAGENS

[pt] DENSIDADE MAMARIA

[pt] MAMOGRAFIA

[pt] APRENDIZADO PROFUNDO

[pt] SEGMENTACAO DE IMAGENS

[en] IMAGE CLASSIFICATION

[en] BREAST DENSITY

[en] MAMMOGRAM

[en] DEEP LEARNING

[en] IMAGE SEGMENTATION

[pt] A densidade mamária é um fator crítico no rastreamento mamográfico, pois o tecido de alta densidade não apenas aumenta o risco de câncer de mama, mas também reduz a sensibilidade na detecção de lesões. Este estudo propõe uma estrutura abrangente baseada em deep learning para avaliação automatizada da densidade mamária em imagens de mamografia. A abordagem integra uma rede neural convolucional (CNN) para classificar as imagens nas categorias de densidade BI-RADS e um modelo de segmentação semântica para localizar o tecido fibroglandular denso. Para superar limitações de conjuntos de dados existentes, construímos um conjunto de dados balanceado e integrado, combinando múltiplas fontes, com anotações refinadas focadas especificamente nas regiões de tecido denso. Além da classificação e segmentação, introduzimos metodologias para gerar relatórios estruturados e interpretáveis, projetados para auxiliar especialistas clínicos na tomada de decisão. Avaliamos diversos modelos do estado da arte, alcançando alto desempenho em múltiplas métricas (AUC, F1-score, coeficiente de Dice e IoU). Os resultados demonstram que o sistema proposto fornece avaliações confiáveis e reproduzíveis, alinhando-se de perto às anotações de especialistas e apoiando a padronização da avaliação da densidade mamária na prática clínica.

[en] Breast density is a critical factor in mammographic screening, as high density tissue not only increases the risk of breast cancer but also reduces the sensitivity of lesion detection. This study proposes a comprehensive deep learning-based approach for automated breast density assessment in mammog raphy images. The approach integrates a convolutional neural network (CNN) for classifying images into BI-RADS density categories and a semantic segmen tation model for localizing dense fibroglandular tissue. To address limitations in existing datasets, we construct a balanced fusion dataset combining multiple sources, with refined annotations focused specifically on dense tissue regions. In addition to classification and segmentation, we introduce methodologies for generating structured, interpretable reports designed to assist clinical experts in decision-making. We evaluate multiple state-of-the-art models, achieving high performance across multiple metrics (AUC, F1-score, Dice coe!cient, and IoU). The results demonstrate that the proposed system provides reliable and reproducible assessments, aligning closely with expert annotations and sup porting the standardization of breast density evaluation in clinical practice.

ALBERTO BARBOSA RAPOSO

JAN JOSE HURTADO JAUREGUI

ALBERTO BARBOSA RAPOSO

PAULO IVSON NETTO SANTOS

JAN JOSE HURTADO JAUREGUI

AUGUSTO ICARO FARIAS DA CUNHA

2026-01-27

2025-08-29

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75144@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75144@2

https://doi.org/10.17771/PUCRio.acad.75144