Comparação entre diferentes modelos de redes neurais convolucionais para classificação de melanoma

Abstract

O câncer de pele é o mais comum no Brasil atualmente, correspondendo a cerca de 30% dos tumores malignos encontrados. O melanoma é um câncer de pele incomum que constitui apenas 3% das neoplasias de pele. Entretanto, o melanoma tem alta possibilidade de atingir metástase por ser bastante agressivo e de evolução rápida, sendo considerado ocâncer de pele mais grave e com pior prognóstico se não for identificado cedo. Com o passar dos anos foram surgindo novas técnicas dermatológicas para diagnóstico do câncer de pele, uma delas é o diagnóstico auxiliado por computador. Atualmente, com o avanço do poder computacional e das inovações em aprendizado de máquina, já é bastante comum o estudo de redes neurais para classificação de melanoma, principalmente o uso de redes neurais convolucionais. Este trabalho tem como objetivo comparar o estado da arte das redes neurais convolucionais no que diz respeito à classificação de melanomas. Foi utilizada a arquitetura EfficientNet-B7, treinada e testada com os conjuntos de dados ISIC 2019 e ISIC 2020, e feita a comparação com as redes EfficientNet-B4, EfficientNet-B5, EfficientNet-B6e DenseNet201, que também utilizaram o mesmo conjunto de dados para treinamento e teste. Toda a implementação do trabalho foi feita usando a plataforma online Kaggle, utilizando Python e as bibliotecas TensorFlow e Keras. A EfficientNet-B7 obteve pontuação AUC de 0.9467, que foi gerada a partir do ensemble de todos os modelos treinados, com-parados com a pontuação da DenseNet201 de 0.9250 e da EfficientNet-B5+B6 de 0.9411,o que demonstra a eficiência e capacidade da EfficientNet-B7 em classificar o melanoma em imagens dermatoscópicas de lesões de pele.