Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
https://tedebc.ufma.br/jspui/handle/tede/tede/4439
Tipo do documento: | Tese |
Título: | Classificação de Leucemias Utilizando Aumento de Dados, Transferência de Aprendizado e Combinação de CNNs |
Título(s) alternativo(s): | Classification of Leukemias Using Data Augmentation, Data Transfer Learning and Combining CNNs |
Autor: | CLARO, Maíla de Lima |
Primeiro orientador: | VERAS, Rodrigo de Melo Souza |
Primeiro coorientador: | SANTANA, André Macedo |
Primeiro membro da banca: | VERAS, Rodrigo de Melo Souza |
Segundo membro da banca: | SANTANA, André Macedo |
Terceiro membro da banca: | MEDEIROS, Fátima Nelsizeuma Sombra de |
Quarto membro da banca: | TAVARES, João Manuel Ribeiro da Silva |
Quinto membro da banca: | AIRES, Kelson Rômulo Teixeira |
Resumo: | O diagnóstico precoce da leucemia, aumenta significativamente as chances de cura dos pacientes. Mas para isto é preciso ter ciência de qual forma primária o paciente é portador, uma vez que pode se manifestar de duas formas: aguda e crônica, estas ainda se subdividem em mieloide e linfoide. O foco inicial do presente estudo consiste na forma aguda que é um tipo particular de leucemia, onde causa crescimento celular anormal em um curto período de tempo, o que requer um diagnóstico preciso e rápido, para aumentar as chances do tratamento ser bem sucedido. Em sequência, expandimos o foco do trabalho para a classificação em outros tipos de leucemia. Um aliado nestes diagnósticos são os modelos de aprendizagem profunda, que têm sido cada vez mais utilizados em sistemas de diagnóstico médico auxiliados por computadores. Este estudo propõe uma rede neural convolucional (Convolutional Neural Network - CNN) chamada Acute Leukemias Recognition Network (AlertNet), inspirada em blocos convolucionais da rede Vgg16, mas com camadas densas menores. Para definir os parâmetros da rede AlertNet e suas variações, avaliamos diferentes modelos de CNNs e métodos de ajuste fino usando dezoito conjuntos de dados de imagens, com diferentes características de resolução, contraste, cor e textura, o que totalizou 3.536 imagens. Além desta rede, também utilizamos sete redes pré-treinadas para avaliação e comparação dos resultados. Aplicamos operações de aumento de dados para expandir o conjunto de dados de treinamento e dividimos em cinco cenários de classificações de leucemia: três problemas de classificação binária e dois problemas de classificação multiclasse. Para avaliar a capacidade de generalização das CNNs, aplicamos uma técnica de validação cruzada no conjunto de dados. Os resultados dos experimentos foram promissores, com 96,17% de acerto para a classificação de leucemia aguda e com 94,73% e 94,59% de acertos obtidos pelo multilevel e comitê para o cenário com quatro classes, respectivamente. Métodos como multilevel e comitê foram aplicados neste estudo com o objetivo de melhorar o desempenho das redes. Esses métodos contribuíram para reduzir o erro ou variância nas previsões, o que por sua vez, melhora a precisão do modelo. |
Abstract: | Early diagnosis of leukemia significantly increases patients’ chances of cure. But for this, it is necessary to be aware of which primary form the patient has since it can manifest in two ways: acute and chronic; these are still subdivided into myeloid and lymphoid. The initial focus of the present study is the acute form, a particular type of leukemia that causes abnormal cell growth in a short period, requiring an accurate and rapid diagnosis to increase the chances of successful treatment. In sequence, we expanded the focus of the work to the classification in other types of leukemia. Deep learning models are an ally in these diagnoses, which have been increasingly used in computer-aided medical diagnostic systems developed to detect leukemia. This study proposes a Convolutional Neural Network - CNN) called Acute Leukemias Recognition Network (AlertNet) that was inspired by convolutional blocks of the Vgg16 network but with smaller dense layers. To define the parameters of the AlertNet network and its variations, we evaluated different models of CNNs and fine-tuning methods using eighteen datasets of images with different resolution, contrast, color, and texture characteristics, which totaled 3,536 images. In addition to this network, we also used seven pre-trained networks to evaluate and compare results. We applied data augmentation operations to expand the training dataset and divided it into five leukemia classification scenarios: three binary and two multiclass classification problems. To assess the generalizability of CNNs, we applied a cross-validation technique to the dataset. The results of the experiments were promising, with 96.17% accuracy for the classification of acute leukemia and with 94.73% and 94.59% of correct answers obtained by the multilevel and committee in a scenario with four classes, respectively. Methods such as multilevel and ensemble were applied in this study to improve networks’ performance. These methods have contributed to reducing the prediction error and variance, improving the model’s accuracy. |
Palavras-chave: | Classificação de imagens; Aprendizado profundo; Comitê; Leucemia; Multilevel Image Classification; Deep Learning; Ensemble; Leukemia; Multilevel |
Área(s) do CNPq: | Modelos Analíticos e de Simulação |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade Federal do Maranhão |
Sigla da instituição: | UFMA |
Departamento: | DEPARTAMENTO DE INFORMÁTICA/CCET |
Programa: | PROGRAMA DE PÓS-GRADUAÇÃO DOUTORADO EM CIÊNCIA DA COMPUTAÇÃO |
Citação: | CLARO, Maíla de Lima. Classificação de Leucemias Utilizando Aumento de Dados, Transferência de Aprendizado e Combinação de CNNs. 2022. 86 f. Tese( Programa de Pós-graduação Doutorado em Ciência da Computação) - Universidade Federal do Maranhão, São Luís, 2022. |
Tipo de acesso: | Acesso Aberto |
URI: | https://tedebc.ufma.br/jspui/handle/tede/tede/4439 |
Data de defesa: | 11-Nov-2022 |
Aparece nas coleções: | TESES DE DOUTORADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO (ASSOCIAÇÃO UFMA/UFPI) |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Tese - Maíla - 2022.pdf | Tese de Doutorado | 7,76 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.