AVALIAÇÃO DE ARQUITETURAS CONVOLUCIONAIS PRÉ-TREINADAS NA DETECÇÃO DE CÂNCER ORAL
DOI:
https://doi.org/10.66104/eecb2s81Palavras-chave:
Aprendizado Profundo, Visão Computacional, Câncer Oral, Redes Neurais ConvolucionaisResumo
O câncer bucal permanece um dos principais desafios de saúde pública, especialmente em países em desenvolvimento, onde a detecção tardia contribui significativamente para a alta mortalidade associada à doença. Métodos automatizados baseados em Visão Computacional e Aprendizado Profundo têm demonstrado grande potencial no auxílio ao diagnóstico precoce, oferecendo suporte objetivo à avaliação clínica. Neste trabalho, investigou-se o desempenho de três arquiteturas convolucionais pré-treinadas amplamente consolidadas na literatura, DenseNet121, GoogLeNet e ResNet18, aplicadas à classificação binária de imagens intraorais, utilizando um conjunto público contendo 950 amostras. O estudo emprega transfer learning e validação cruzada com 5 folds, permitindo uma análise da capacidade de generalização dos modelos. Os resultados demonstram que a DenseNet121 apresentou o melhor desempenho entre as arquiteturas avaliadas (F1-score = 0.9510), destacando-se principalmente em sensibilidade e equilíbrio geral entre as métricas. Os achados reforçam o potencial das CNNs como ferramentas complementares no processo de triagem de lesões orais, apontando para sua aplicabilidade futura em ambientes clínicos reais.
Downloads
Referências
SUNG, H. et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Clinicians, v. 71, n. 3, p. 209--249, 2021. DOI: 10.3322/caac.21660. DOI: https://doi.org/10.3322/caac.21660
WARNAKULASURIYA, S. Global epidemiology of oral and oropharyngeal cancer. Oral Oncology, v. 45, n. 4--5, p. 309--316, 2009. DOI: 10.1016/j.oraloncology.2008.06.002. DOI: https://doi.org/10.1016/j.oraloncology.2008.06.002
SPEIGHT, P. M. et al. Oral potentially malignant disorders: risk of progression to malignancy. Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology, v. 125, n. 6, p. 612--627, 2018. DOI: 10.1016/j.oooo.2017.12.011. DOI: https://doi.org/10.1016/j.oooo.2017.12.011
WELIKALA, R. A. et al. Automated detection and classification of oral lesions using deep learning for early detection of oral cancer. IEEE Access, v. 8, p. 132677--132693, 2020. DOI: 10.1109/ACCESS.2020.3010180. DOI: https://doi.org/10.1109/ACCESS.2020.3010180
FU, Q. et al. A deep learning algorithm for detection of oral cavity squamous cell carcinoma from photographic images: a retrospective study. EClinicalMedicine, v. 27, p. 100558, 2020. DOI: 10.1016/j.eclinm.2020.100558. DOI: https://doi.org/10.1016/j.eclinm.2020.100558
WARIN, K. et al. Automatic classification and detection of oral cancer in photographic images using deep learning algorithms. Journal of Oral Pathology & Medicine, v. 50, n. 9, p. 911--918, 2021. DOI: 10.1111/jop.13227. DOI: https://doi.org/10.1111/jop.13227
DENG, J. et al. ImageNet: a large-scale hierarchical image database. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), p. 248--255, 2009. DOI: 10.1109/CVPR.2009.5206848. DOI: https://doi.org/10.1109/CVPR.2009.5206848
TAJBAKHSH, N. et al. Convolutional neural networks for medical image analysis: full training or fine tuning? IEEE Transactions on Medical Imaging, v. 35, n. 5, p. 1299--1312, 2016. DOI: 10.1109/TMI.2016.2535302. DOI: https://doi.org/10.1109/TMI.2016.2535302
SZEGEDY, C. et al. Going deeper with convolutions. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), p. 1--9, 2015. DOI: 10.1109/CVPR.2015.7298594. DOI: https://doi.org/10.1109/CVPR.2015.7298594
HE, K. et al. Deep residual learning for image recognition. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), p. 770--778, 2016. DOI: 10.1109/CVPR.2016.90. DOI: https://doi.org/10.1109/CVPR.2016.90
HUANG, G. et al. Densely connected convolutional networks. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), p. 4700--4708, 2017. DOI: 10.1109/CVPR.2017.243. DOI: https://doi.org/10.1109/CVPR.2017.243
NOGUEIRA, M.; GOMES, E. Histopathological imaging dataset for oral cancer analysis: a study with a data leakage warning. In: Proceedings of the 18th International Joint Conference on Biomedical Engineering Systems and Technologies -- BIOSIGNALS, p. 811--818, 2025. DOI: 10.5220/0013382100003911. DOI: https://doi.org/10.5220/0013382100003911
PARAMASIVAM, M. E. et al. Oral cancer detection using convolutional neural network. In: 2024 4th International Conference on Innovative Practices in Technology and Management (ICIPTM), p. 1--6, 2024. DOI: 10.1109/ICIPTM59628.2024.10563232. DOI: https://doi.org/10.1109/ICIPTM59628.2024.10563232
DEVINDI, G. A. I. et al. Multimodal deep convolutional neural network pipeline for AI-assisted early detection of oral cancer. IEEE Access, v. 12, 2024. DOI: 10.1109/ACCESS.2024.3454338. DOI: https://doi.org/10.1109/ACCESS.2024.3454338
ZAIDPY. Oral cancer dataset. Kaggle, 2022. Disponível em: https://www.kaggle.com/datasets/zaidpy/oral-cancer-dataset. Acesso em: 2024.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2026 Maria Isabelly de Brito Rodrigues, Wanderson de Vasconcelos Rodrigues da Silva, Ricardo Moura Sekeff Budaruiche, Iallen Gabio de Sousa Santos
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista;
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista, desde que adpatado ao template do repositório em questão;
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
- Os autores são responsáveis por inserir corretamente seus dados, incluindo nome, palavras-chave, resumos e demais informações, definindo assim a forma como desejam ser citados. Dessa forma, o corpo editorial da revista não se responsabiliza por eventuais erros ou inconsistências nesses registros.
POLÍTICA DE PRIVACIDADE
Os nomes e endereços informados nesta revista serão usados exclusivamente para os serviços prestados por esta publicação, não sendo disponibilizados para outras finalidades ou a terceiros.
Obs: todo o conteúdo do trabalho é de responsabilidade do autor e orientador.
