Comparação de redes neurais convolucionais para o diagnóstico de melanoma por meio de transfer learning e data augmentation em imagens dermatoscópicas com classes desbalanceadas

Abstract

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.