Breast cancer is the second most common type of cancer that affects woman in Brazil. Early detection of this disease is essential for improving chances of cure and recovery of the patients. Infrared thermography is an imaging technique being studied that has shown good potential in the early detection of breast cancer. In this work, we use three pre-trained convolutional neural networks (CNNs) VGG-16, ResNet-50 e DenseNet-201 to classify breast static thermography images (sick or healthy). Finding suitable CNN archi- tecture and hiper-parameters is essential for a good classification outcome. Furthermore, this is not an easy task. In order to address this problem of finding suitable architecture and hiper-parameters for the fully connected part of used CNNs, we used two bio inspired optimization techniques: genetic algorithm (GA) and particle swam optimization (PSO). Using the optimization techniques we were able to improve the F1-score from 0.66 to 0.92 for the VGG using the GA and the F1-score of the ResNet from 0.83 to 0.90 using the GA and PSO. Moreover, the optimization also maintained the good results of 0.92 F1-score for the DenseNet. Finally, we opt for using a random forest surrogate model in order to obtain a cheaper model. Using the surrogate, we improved the DenseNet from 0.92 to 1 of F1-score.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorFAPEMIG - Fundação de Amparo a Pesquisa do Estado de Minas GeraisDissertação (Mestrado)O câncer de mama é o segundo tipo de câncer que mais acomete mulheres no Bra- sil. A detecção precoce é essencial para aumentar as chances de cura e recuperação das pacientes. A termografia é uma técnica de imageamento que tem sido estudada e tem apre- sentado resultados promissores para auxiliar nesta detecção precoce do câncer de mama. Neste trabalho utilizamos três redes neurais convolucionais (CNNs) pré-treinadas, VGG- 16, ResNet-50 e DenseNet-201, para classificar imagens termográficas estáticas da mama (em doentes ou saudáveis). Encontrar uma arquitetura para CNNs com os hiperparâme- tros adequados é essencial para o bom desempenho da rede. Esta não é uma tarefa trivial e para abordar este problema utilizamos dois algoritmos de otimização bioinspirados, al- goritmos genéticos (AG) e otimização por enxame de partícula (PSO), para encontrar uma boa arquitetura e bons hiperparâmetros para a parte densamente conectada das três CNNs utilizadas. Com a otimização foi possível melhorar os resultados de 0,66 para 0,92 de F1-score com o AG para a VGG e 0,83 para 0,90 de F1-score com o AG e o PSO para a ResNet, além de manter os bons resultados de 0,92 de F1-score para a DenseNet. Final- mente, buscando otimizar o tempo gasto com a execução dos experimentos do AG e do PSO, propomos a utilização de um modelo surrogate com random forest. Com o modelo surrogate foi possível melhorar os resultados com a DenseNet, que obteve F1-score de 1.