???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this 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-Feb-2019
Appears in Collections:DISSERTAÇÃO DE MESTRADO - PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO

Files in This Item:
File Description SizeFormat 
LucasMaia.pdfDissertação de Mestrado5,12 MBAdobe PDFDownload/Open Preview


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.