| Título: | Comparação de redes neurais convolucionais para o diagnóstico de melanoma por meio de transfer learning e data augmentation em imagens dermatoscópicas com classes desbalanceadas |
| Autor(es): | Oliveira, Marcelo Giordano Martins Costa de
Leite, Walyson Maxwel Dias |
| Orientador(es): | Oliveira, Roberta Barbosa |
| Assunto: | Aprendizado de máquina
Redes neurais (Computação)
Transferência de aprendizagem |
| Data de apresentação: | 20-Mai-2021 |
| Data de publicação: | 28-Jun-2022 |
| Referência: | OLIVEIRA, Marcelo G. M. C.; LEITE, Walyson M. D. Comparação de redes neurais convolucionais para o diagnóstico de melanoma por meio de transfer learning e data augmentation em imagens dermatoscópicas com classes desbalanceadas. 2021. xiv, 67 f., il. Trabalho de conclusão de curso (Bacharelado em Ciência da Computação) — Universidade de Brasília, Brasília, 2021. |
| Resumo: | Um grande desafio encontrado atualmente na detecção de doenças de pele é a classificação
entre lesões benignas e malignas. Algumas lesões podem ter características similares e o
diagnóstico correto é custoso, uma vez que são necessários exames clínicos para a correta
classificação da lesão. Na tentativa de resolução do problema, a automatização do diagnóstico por meio do aprendizado de máquina torna-se uma alternativa a ser considerada.
Nesse contexto, esse trabalho realiza a comparação do desempenho de três arquiteturas já
conhecidas: AlexNet, GoogLeNet e ResNet. O objetivo principal é verificar se as técnicas
de data augmentation e de transfer learning influenciam o desempenho das arquiteturas
e são suficientes para promover um aumento da capacidade preditiva dos modelos para
detecção de melanoma em imagens dermatoscópicas. Cinco etapas experimentais foram
realizadas de forma a verificar a influência de cada uma das técnicas no desempenho das
arquiteturas considerando uma base de dados desbalanceada. As métricas de avaliação
utilizadas foram: acurácia balanceada, sensibilidade, especificidade curva ROC e AUC.
Com a combinação das técnicas de data augmentation e transfer learning, a arquitetura
ResNet obteve os melhores resultados com uma acurácia balanceada de 0,752 e AUC
de 0,839. Importante destacar que esse desempenho foi obtido quando as técnicas de
data augmentation e transfer learning foram aplicadas simultaneamente, demonstrando,
portanto, a eficiência de suas utilizações de forma combinada uma vez que foram responsáveis por proporcionar um aumento na acurácia balanceada em mais de 25% para essa
arquitetura. |
| Abstract: | A major challenge currently encountered in the detection of skin diseases is the classi fication between benign and malignant lesions. Some lesions may have similar charac teristics and the correct diagnosis is costly, since clinical examinations are necessary for
the correct classification of the lesion. In an attempt to solve the problem, the automa tion of diagnosis through machine learning becomes an alternative to be considered. In
this context, this work compares the performance of three already known architectures:
AlexNet, GoogLeNet and ResNet. The main objective is to verify if the data augmenta tion and transfer learning techniques influence the performance of the architectures and
are sufficient to promote an increase in the predictive capacity of the models for detecting
melanoma in dermoscopic images. Five experimental steps were carried out in order to
verify the influence of each technique on the performance of the architectures considering
an unbalanced database. The evaluation metrics used were: balanced accuracy, sensitiv ity, specificity, ROC curve and AUC. With the combination of data augmentation and
transfer learning techniques, the ResNet architecture achieved the best results, with a
balanced accuracy of 0,752 and AUC of 0,839. It is important to highlight that this per formance was obtained when the techniques of data augmentation and transfer learning
were applied simultaneously, demonstrating, therefore, the efficiency of their uses in a
combined way since they were responsible for providing an increase in balanced accuracy
of over 25% for this architecture. |
| Informações adicionais: | Trabalho de conclusão de curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2021. |
| Licença: | A 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. |
| Aparece na Coleção: | Ciência da Computação
|
Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.
