@MASTERSTHESIS{ 2019:1020589066,
 	title = {Aprendizagem Profunda Aplicada ao Diagnóstico de Melanoma},
 	year = {2019},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/2578",
 	abstract = "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).",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}