This work investigates the performance of classifiers in the task of breast cancer detection using different types of morphological preprocessing on the histopathological image dataset ”BreakHis.” Specifically, we compare the performances of classical machine learning algorithms and convolutional neural networks trained with the application of erosion, dilation, opening, and closing operators. Experimental results showed that the application of morphological operators has a positive impact on the performance of classical algorithms. Furthermore, an increase in the accuracy of these algorithms was observed when varying the shape and size of the structuring elements. The results obtained motivate future research for a more comprehensive investigation of other types of structuring elements together with other morphological operators, as well as different classifiers. Este trabalho investiga o desempenho de classificadores na tarefa de detecção de câncer de mama utilizando diferentes tipos de pré-processamento morfológico no conjunto de imagens histopatológicas BreakHis. Especificamente, comparamos os desempenhos de algoritmos clássicos de aprendizado de máquina e redes neurais convolucionais treinadas a partir da aplicação dos operadores erosão, dilatação, abertura e fechamento. Resultados experimentais evidenciaram que a aplicação de operadores morfológicos tem impacto positivo no desempenho dos algoritmos clássicos. Ademais, constatou-se um aumento na acurácia desses algoritmos ao variar o formato e a dimensão dos elementos estruturantes. Os resultados obtidos motivam trabalhos futuros para investigação mais abrangente de outros tipos de elementos estruturantes juntamente com outros operadores morfológicos, bem como outros classificadores.

Este artigo é um convite à redescoberta da Geometria Espacial, apresentando a Fórmula Prismoidal não como um tópico isolado, mas como o princípio unificador que governa o volume de uma vasta gama de sólidos estudados no Ensino Médio e além. Demonstramos como esta elegante fórmula pode ser rigorosamente provada pelo Cálculo Integral, revelando sua identidade matemática com a Regra de 1/3 de Simpson. Aplicamos seu poder para derivar, de forma sistemática, as fórmulas de volume para volumes de alguns sólidos clássicos, transformando um conjunto de regras mnemônicas em uma rede lógica e conectada. O objetivo é fornecer ao professor um recurso didático disruptivo, capaz de enriquecer sua prática pedagógica e inspirar uma compreensão mais profunda e integrada da Matemática.