Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/31262
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2021_MarceloOliveira_WalysonLeite_tcc.pdf9,09 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorOliveira, Roberta Barbosa-
dc.contributor.authorOliveira, Marcelo Giordano Martins Costa de-
dc.contributor.authorLeite, Walyson Maxwel Dias-
dc.identifier.citationOLIVEIRA, 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.pt_BR
dc.descriptionTrabalho de conclusão de curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2021.pt_BR
dc.description.abstractUm 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.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.subject.keywordRedes neurais (Computação)pt_BR
dc.subject.keywordTransferência de aprendizagempt_BR
dc.titleComparação de redes neurais convolucionais para o diagnóstico de melanoma por meio de transfer learning e data augmentation em imagens dermatoscópicas com classes desbalanceadaspt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2022-06-28T22:42:04Z-
dc.date.available2022-06-28T22:42:04Z-
dc.date.submitted2021-05-20-
dc.identifier.urihttps://bdm.unb.br/handle/10483/31262-
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.abstract1A 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.pt_BR
Aparece na Coleção:Ciência da Computação



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