Comparação de arquiteturas de Deep Learning para segmentação de imagens dermatoscópicas de melanoma

Abstract

No 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.