| Título: | Application of CNNs in the identification of pulmonary and dermatological diseases : a performance analysis |
| Autor(es): | Lessa, Lucas Santos |
| Orientador(es): | Silva, Daniel Guerreiro e |
| Assunto: | Aprendizado de máquina
Sistemas de saúde
Visão por computador
Diagnóstico por imagem |
| Data de apresentação: | 7-Ago-2024 |
| Data de publicação: | 13-Jan-2026 |
| Referência: | LESSA, Lucas Santos. Application of CNNs in the identification of pulmonary and dermatological diseases: a performance analysis. 2024. 54 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2024. |
| Resumo: | O uso de técnicas de aprendizado de máquina para auxiliar no diagnóstico de doenças por meio de imagens médicas tem impulsionado um grande volume de pesquisas na área de visão computacional. Neste trabalho, propomos a utilização de redes neurais convolucionais (CNNs) para identificar doenças pulmonares e lesões de pele, com o objetivo de otimizar as etapas de diagnóstico e tratamento. Buscamos implementar a arquitetura mais eficaz para sistemas de saúde como o SUS, reduzindo o tempo necessário para o diagnóstico. Realizou-se dois experimentos utilizando o conjunto de dados HAM10000, que inclui as classes Nevo Melanocítico (NV), Melanoma (mel), Lesões Benignas (bkl), Carcinoma Basocelular (bcc), Ceratoses Actínicas e Carcinoma Intraepitelial/Doença de Bowen (akiec), Lesões Vasculares (vasc) e Dermatofibroma (df), e o conjunto de dados COVID, que contém as classes Opacidade Pulmonar, COVID-19, Pneumonia Viral e Normal. Este estudo avalia seis redes convolucionais reconhecidas por seu alto desempenho em outras aplicações, buscando identificar a arquitetura mais adequada com base em diversas métricas de avaliação. Para cada modelo de CNN treinado, apresentamos as métricas de acurácia, sensibilidade, especificidade, precisão e F1-score. Na classificação de lesões de pele com o conjunto de dados HAM10000, a arquitetura que obteve melhor desempenho foi a EfficientNetB4, com uma acurácia de 84% e F1-scores de 91.4%, 65.7%, 75.0%, 80.4%, 68.9%, 77.3% e 75.9%, respectivamente, para as classes Nevo Melanocítico (nv), Melanoma (mel), Lesões benignas (bkl), Carcinoma basocelular (bcc), Ceratoses actínicas e carcinoma intraepitelial/Doença de Bowen (akiec), Lesões vasculares (vasc) e Dermatofibroma (df). Na classificação de doenças pulmonares, a EfficientNetB7 se destacou com uma acurácia de 97% e F1-scores de 93.7%, 98.6% e 99.3% para as classes Opacidade Pulmonar, COVID-19 e Pneumonia Viral, respectivamente. |
| Abstract: | The use of machine learning techniques to aid in the diagnosis of diseases through medical images has driven a large volume of research in the area of computer vision. In this work, we propose the use of convolutional neural networks (CNNs) to identify lung diseases and skin lesions, with the aim of optimizing the stages of diagnosis and treatment. We seek to implement the most effective architecture for health systems such as SUS, reducing the time required for diagnosis. Two experiments were carried out using the HAM10000 dataset, which includes the classes Melanocytic Nevus (NV), Melanoma (mel), Benign Lesions (bkl), Basal Cell Carcinoma (bcc), Actinic Keratoses and Intraepithelial Carcinoma/Bowen’s Disease (akiec), Vascular Lesions (vasc) and Dermatofibroma (df), and the COVID dataset, which contains the classes Lung Opacity, COVID-19, Viral Pneumonia and Normal. This study evaluates six convolutional networks recognized for their high performance in other applications, seeking to identify the most suitable architecture based on several evaluation metrics. For each trained CNN model, we present the metrics of accuracy, sensitivity, specificity, precision and F1-score. In the classification of skin lesions with the HAM10000 dataset, the architecture that obtained the best performance was EfficientNetB4, with an accuracy of 84% and F1-scores of 91.4%, 65.7%, 75.0%, 80.4%, 68.9%, 77.3% and 75.9%, respectively, for the classes Melanocytic Nevus (nv), Melanoma (mel), Benign Lesions (bkl), Basal Cell Carcinoma (bcc), Actinic Keratoses and Intraepithelial Carcinoma/Bowen’s Disease (akiec), Vascular Lesions (vasc) and Dermatofibroma (df). In the classification of lung diseases, EfficientNetB7 stood out with an accuracy of 97% and F1-scores of 93.7%, 98.6% and 99.3% for the classes Lung Opacity, COVID-19 and Viral Pneumonia, respectively. |
| Informações adicionais: | Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2024. |
| 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: | Engenharia Elétrica
|
Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.
