Use of artificial intelligence techniques, correlation of thermal images and the concept of thermal impedance aiming to estimate the location and size of breast tumors

CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico O câncer de mama possui a maior incidência e mortalidade na população feminina em todo o mundo. A detecção precoce e precisa do câncer de mama é uma parte crítica da estratégia para reduzir a mortalidade associada a esta doença tão comum. A mamografia é a técnica mais usada para a detecção precoce do câncer de mama, porém, possui várias limitações. Várias imagens são necessárias e existe uma forte dependência do médico ou técnico operador. Existe ainda uma forte dependência de um médico qualificado para identificar tumores nas imagens de raio-X. Além disso, a exposição ao raio-X ao longo da vida pode também induzir o aparecimento de tumores. Nesse projeto, propõe-se o desenvolvimento de técnicas baseadas na aplicação do método de impedância térmica e na detecção de inclusões baseada no uso de correlações de temperaturas superficiais da pele da mama para detectar a origem da fonte de calor (metabolismo anormal de um câncer). A ideia principal deste trabalho é usar o método da inteligência artificial, aprendizado profundo, técnica relacionada ao reconhecimento de características especificas em imagens para detecção de fontes de calor metabólica. Alem da técnica proposta não ser invasiva ou causar dor à paciente, ela deve permitir o acesso a pessoas com deficiência ou baixa mobilidade, possuir baixo custo e usar tecnologias nacionais. A baixa sensibilidade aos tumores pequenos e profundos, normalmente existente em análises de temperaturas superficiais usando imagens térmicas é contornada com o uso do conceito de impedância térmica e técnicas de inteligência artificial, como o uso de aprendizado profundo (Deep learning). Apresentam-se nesse trabalho uma breve fundamentação teórica sobre redes neurais convolucionais, otimizadores, funções de ativação e os hiperparâmetros que devem ser ajustados na rede neural. Descrevem-se o desenvolvimento do modelo térmico, e a criação do banco de dados a partir de sua solução bem como a escolha dos parâmetros detectáveis em imagens termográficas, as bibliotecas de deep learning, o treinamento da rede com uso de redes neurais convolucionais, e a análise dos hiperparâmetors usados no modelo para convergência dos problemas direto e inverso. Discute-se ainda a necessidade do conhecimento prévio das características tumorais que podem ser estimadas via redes neurais convolucionais e a influência da variação do tamanho do tumor comparando os sinais de temperatura e da impedância térmica. Obteve-se resultados numéricos da estimativa da localização de tumores em simulações numéricas com uso de imagens termográficas obtidas de dados simulados em um modelo cartesiano e em um modelo de mama anatômica. O desenvolvimento de uma técnica que possibilite a identificação da localização e tamanho de tumores na mama a partir de informações de temperatura e fluxo de calor superficiais é uma ferramenta inédita e promissora na detecção precoce do câncer de mama. Breast cancer has the highest incidence and mortality in the female population worldwide. Early and accurate detection of breast cancer is a critical part of the strategy to reduce the mortality associated with this prevalent disease. Mammography is the most used technique for the early detection of breast cancer. However, it has several limitations. Several images are needed, and there is a strong dependence on the operator. There is still a firm reliance on a qualified physician to identify tumors on X-ray images. In addition, lifetime exposure to X-rays can also induce tumors. In this project, we propose the development of techniques based on applying the thermal impedance method and on detecting inclusions based on the use of correlations of surface temperatures of the skin of the breast to detect the origin of the heat source (abnormal metabolism of cancer). The main idea of this work is to use the artificial intelligence method, deep learning, a technique related to the recognition of specific features in images to detect sources of metabolic heat. In addition to the proposed approach not being invasive or causing pain to the patient, it must allow access to people with disabilities or low mobility, have low cost and use national technologies. The low sensitivity to tiny and deep tumors, typically found in the analysis of surface temperatures using thermal imaging, is circumvented by utilizing the concept of thermal impedance and artificial intelligence techniques, such as deep learning. It has been shown a brief theoretical foundation on convolutional neural networks, optimizers, activation functions, and the hyperparameters that must be adjusted in the neural network. The development of the thermal model and the creation of the database from its solution are described, as well as the choice of parameters detectable in thermographic images, deep learning libraries, network training using convolutional neural networks, and the analysis of the hyperparameters used in the model for the convergence of the forward and inverse problems. We also discuss the need for prior knowledge of tumor characteristics that can be estimated via convolutional neural networks and the influence of tumor size variation by comparing the temperature and thermal impedance signals. The numerical results of estimating the location of tumors in numerical simulations using thermographic images obtained from simulated data in a Cartesian model and an anatomical breast model are shown. The development of a technique that makes it possible to identify the location and size of breast tumors from information on temperature and surface heat flux is an unprecedented and promising tool in the early detection of breast cancer. Tese (Doutorado) 2024-09-01