Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/27785
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2020_AntonioPrado_DiogoBezerra_YasmineAndrade_tcc.pdf8,01 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorFerreira, Renan Utida-
dc.contributor.authorSilva Júnior, Antonio Prado da-
dc.contributor.authorBezerra, Diogo Gomes de Sousa-
dc.contributor.authorAndrade, Yasmine Silveira-
dc.identifier.citationSILVA JÚNIOR, Antonio Prado da; BEZERRA, Diogo Gomes de Sousa; ANDRADE, Yasmine Silveira. Comparação de arquiteturas de Deep Learning para segmentação de imagens dermatoscópicas de melanoma. 2020. 84 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica)—Universidade de Brasília, Brasília, 2020.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, Engenharia Eletrônica, 2020.pt_BR
dc.description.abstractNo Brasil, o câncer de pele representa cerca de 33% dos diagnósticos dentre os tipos de câncer, sendo apenas 3% causados pelo melanoma. Entretanto, esse tipo de câncer possui a maior taxa de mortalidade dentre os cânceres de pele, cerca de 7%. Por tratar-se de uma doença com alta taxa de mortalidade, o diagnóstico precoce do melanoma em seu estágio inicial é essencial para um prognóstico positivo da doença. Devido aos avanços tecnológicos, novos métodos de diagnósticos de doenças de pele estão sendo desenvolvidos para auxiliar profissionais médicos, como por exemplo o diagnóstico auxiliado por computador que utiliza técnicas de aprendizado de máquina e suas ramificações. A segmentação é um dos passos mais importantes do diagnóstico auxiliado por computador, pois acaba afetando a precisão das etapas seguintes. Este trabalho tem como objetivo comparar diferentes técnicas de segmentação de imagens baseadas em aprendizado profundo para segmentação de melanoma em imagens dermatoscópicas. Os backbones DenseNet-121, Resnet-50 e VGG-19 foram utilizados na etapa de encoder da U-Net para a realização do processo de segmentação. As arquiteturas foram treinadas e testadas utilizando o dataset ISIC 2017 com e sem a utilização da técnica de aumento de dados a fim de avaliar o impacto desta técnica nas métricas obtidas. Posteriormente, após a obtenção do modelo treinado, o mesmo foi testado no dataset PH2 . Todo o processo de implementação deste trabalho foi feito no ambiente computacional Google Colab em sua versão Pro, utilizando o TensorFlow e o Keras como as principais bibliotecas na implementação das arquiteturas. A arquitetura U-Net + ResNet-50 apresentou índice Jaccard de 81.94%, melhor índice nas médias obtidas no dataset ISIC com a utilização do aumento de dados, porém, o melhor modelo obtido foi apresentado pela arquitetura DenseNet-121 com 83.64% utilizando o dataset 𝐼𝑆𝐼𝐶𝐴 com aumento de dados.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordCâncerpt_BR
dc.subject.keywordMelanomapt_BR
dc.subject.keywordCâncer - diagnósticopt_BR
dc.subject.keywordRedes neurais (Computação)pt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.subject.keywordSegmentação de imagenspt_BR
dc.titleComparação de arquiteturas de Deep Learning para segmentação de imagens dermatoscópicas de melanomapt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2021-06-23T14:28:03Z-
dc.date.available2021-06-23T14:28:03Z-
dc.date.submitted2020-12-16-
dc.identifier.urihttps://bdm.unb.br/handle/10483/27785-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1In Brazil, skin cancer represents about 33% of diagnoses among types of cancer, with only 3% caused by melanoma, however, this type of cancer have a higher mortality rate among skin cancers, about 7%. As it is a disease with a high mortality rate, the early diagnosis of melanoma in its initial stage is essential for a positive prognosis of the disease. Due to technological advances, new methods of diagnosing skin diseases are being developed to assist medical professionals, such as the diagnosis aided by a computer using machine learning techniques and their ramifications. Segmentation is one of the most important steps of computer-aided diagnosis, as it ends up affecting the accuracy of the following steps. This work aims to compare different image segmentation techniques based on deep learning for melanoma segmentation in dermoscopic images. The DenseNet-121, Resnet-50 and VGG-19 backbones were used in the U-Net encoder stage to perform the segmentation process. The architectures were trained and tested using the ISIC 2017 dataset with and without the use of the data augmentation technique in order to assess the impact of this technique on the obtained metrics. Subsequently, after obtaining the trained model, it was tested on the PH2 dataset. The entire process of implementing this work was done in the Google Colab computing environment in its Pro version, using TensorFlow and Keras as the main libraries in the implementation of the architectures. The U-Net + ResNet-50 architecture presented a Jaccard index of 81.94%, the best index in the averages obtained in the ISIC dataset with the use of data increase, however the best model obtained was presented by the DenseNet-121 architecture with 83.64% using the 𝐼𝑆𝐼𝐶𝐴 dataset with data augmentation.pt_BR
Aparece na Coleção:Engenharia Eletrônica



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.