Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
https://tedebc.ufma.br/jspui/handle/tede/tede/2578
Tipo do documento: | Dissertação |
Título: | Aprendizagem Profunda Aplicada ao Diagnóstico de Melanoma |
Título(s) alternativo(s): | Deep Learning Applied to the Diagnosis of Melanoma |
Autor: | MAIA, Lucas Bezerra |
Primeiro orientador: | BRAZ JÚNIOR, Geraldo |
Primeiro coorientador: | PAIVA, Anselmo Cardoso de |
Primeiro membro da banca: | BRAZ JÚNIOR, Geraldo |
Segundo membro da banca: | PAIVA, Anselmo Cardoso de |
Terceiro membro da banca: | ALMEIDA, João Dallyson Sousa de |
Quarto membro da banca: | CARVALHO FILHO, Antonio Oseas de |
Resumo: | Melanoma é o tipo de câncer mais letal quando comparado às outras neoplasias de pele. Entretanto, quando o diagnóstico é feito em seu estágio inicial, os pacientes têm altas chances de recuperação. Diversas abordagens de detecção e diagnóstico automático de melanoma têm sido exploradas por diferentes autores com intuito de fornecer uma opinião auxiliar aos especialistas. Treinar modelos com as bases de dados existentes tem sido uma tarefa árdua devido ao problema de desbalanceamento entre as classes. Este trabalho tem como objetivo avaliar o desempenho de algoritmos de aprendizagem de máquina combinados com técnicas de treinamento em bases desbalanceadas, levando em consideração a tarefa de diagnóstico de melanoma. As arquiteturas de Redes Neurais Convolucionais VGG16, VGG19, Inception e ResNet foram utilizadas juntamente com a regra ABCD para extrair padrões de lesões de pele em um conjunto de 200 imagens dermatoscópicas. O classificador Random Forest alcançou uma sensibilidade de 92,5% e um índice kappa de 77,15% após o uso de seleção de atributos com Greedy Stepwise e balanceamento de dados de treinamento com o Synthetic Minority Oversampling TEchnique (SMOTE) e a regra Edited Nearest Neighbor (ENN). |
Abstract: | Melanoma is the most lethal type of cancer when compared to others skin diseases. However, when the diagnosis is made in its initial stage, patients have high rates of recovery. Several approaches to automatic detection and diagnosis of melanoma have been explored by different authors in order to provide an auxiliary opinion to specialists. Training models with the existing data sets have been a difficult task due to the problem of imbalanced data. This work aims to evaluate to the evaluation the performance of machine learning algorithms combined with imbalanced learning technique, regarding the task of melanoma diagnosis. The architectures of Convolutional Neural Networks VGG16, VGG19, Inception, and ResNet were used along with ABCD rule to extract patterns of skin lesions in a set of 200 dermatoscopic images. The Random Forest classifier reached a sensitivity of 92.5 % and a kappa index of 77.15 % after the use of attribute selection with Greedy Stepwise and balancing the training data with Synthetically Minority Oversampling TEchnique (SMOTE) and the Edited Nearest Neighbor (ENN) rule. |
Palavras-chave: | Diagnóstico de melanoma Balanceamento de classes Aprendizagem profunda Redes neurais convolucionais Random forest SMOTE ENN Melanoma diagnosis Imbalanced learning Deep learning Convolutional neural networks Random forest SMOTE ENN |
Área(s) do CNPq: | Teoria da Computação Análise de Algoritmos e Complexidade de Computação Cancerologia |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade Federal do Maranhão |
Sigla da instituição: | UFMA |
Departamento: | DEPARTAMENTO DE INFORMÁTICA/CCET |
Programa: | PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET |
Citação: | MAIA, Lucas Bezerra. Aprendizagem Profunda Aplicada ao Diagnóstico de Melanoma. 2019. 86 f. Dissertação (Programa de Pós-Graduação em Ciência da Computação / CCET) - Universidade Federal do Maranhão, São Luís. |
Tipo de acesso: | Acesso Aberto |
URI: | https://tedebc.ufma.br/jspui/handle/tede/tede/2578 |
Data de defesa: | 14-Fev-2019 |
Aparece nas coleções: | DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
LucasMaia.pdf | Dissertação de Mestrado | 5,12 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.