Comparação entre técnicas de extração de características para detecção de melanoma em imagens dermatoscópicas

Abstract

O diagnóstico do melanoma é uma tarefa importante para identificar a presença da doençaem seu estágio inicial, pois tem mais chances de cura quando detectada precocemente. O diagnóstico clínico é geralmente realizado por um dermatologista, que pode solicitar uma biópsia para confirmar a presença da doença. No entanto, a biópsia é um procedimento invasivo. Os avanços tecnológicos têm trazido novos recursos para ajudar no diagnóstico do melanoma. O uso de modelos baseados em aprendizado de máquina tem sido um desses recursos, como por exemplo os modelos tradicionais que usam diversas característica extraídas a partir da área da lesão, tais como cor e textura. Além disso, também são utilizados modelos híbridos que combinam aprendizado profundo e aprendizado de máquina tradicional para extrair características de maneira automática e classificar as lesões, respectivamente. Esses modelos têm ajudado a melhorar a eficiência do diagnóstico automático do melanoma, tornando-o mais fácil e rápido como forma de auxiliar os médicos. O presente trabalho tem como objetivo a comparação entre técnicas de extração de características com métodos tradicionais e a extração de características de modo automático, com imagens dermatoscópicas para detecção de melanoma. São considerados o classificador Floresta Aleatória e a arquitetura de Rede Neural Convolucional VGG16,bem como um modelo híbrido desenvolvido a partir da combinação de ambas as técnicas. Nessa mesma linha é proposto o uso de um pré-processamento para o aumento da classe de melanomas para resolver o problema de desbalanceamento. Para os experimentos, a base do ISIC 2017 contendo 2750 imagens é utilizada. O modelo híbrido teve maior assertividade na deteção de melanomas, no qual obteve uma acurácia de 0.685, precisão de 0.789, revocação de 0.685 e F1-Score de 0.725 considerando os dados não balanceados.