Detecção de Neoplasias Utilizando ARM-Net
Este trabalho investiga métodos computacionais baseados em aprendizado profundo para análise automatizada de imagens de ressonância magnética de tumores cerebrais, visando abordar os problemas de classificação e segmentação através de arquiteturas eficientes. O objetivo principal consiste em implementar e validar a arquitetura ARM-Net (Attention-guided Residual Multiscale Network) para classificação de tumores cerebrais e, posteriormente, adaptá-la para segmentação de regiões tumorais utilizando técnicas de transferência de aprendizado. A metodologia empregada incluiu a implementação da ARM-Net e sua comparação com a ResNet-50 utilizando o conjunto de dados ''Brain Tumor MRI Dataset'' do Kaggle, contendo 7.022 imagens categorizadas em quatro classes (Glioma, Meningioma, Pituitário e Sem Tumor), avaliadas através de validação cruzada de 10 folds. Os resultados preliminares demonstram que a ARM-Net alcançou F1-score de 97,5\% e acurácia de 96,4\%, superando a ResNet-50 (F1-score de 97,2\% e acurácia de 96,0\%), enquanto requer aproximadamente 71\% menos tempo de treinamento. A arquitetura demonstrou eficiência computacional notável, com apenas 1,3 milhões de parâmetros comparados aos 23,5 milhões da ResNet-50, tornando-a adequada para aplicações clínicas em tempo real. Os resultados validam a ARM-Net como solução promissora para análise automatizada de tumores cerebrais, estabelecendo base sólida para a próxima etapa de adaptação para segmentação utilizando a base de dados BraTS-GoAT 2025, com 1.351 volumes tridimensionais de cinco populações distintas.