Banca de DEFESA: RAFAEL LUZ ARAUJO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: RAFAEL LUZ ARAUJO
DATA: 08/10/2021
HORA: 14:00
LOCAL: meet.google.com/ing-nsdn-kqp
TÍTULO: Segmentação e Classificação de Imagens Dermatoscópicas Baseada em Deep Learning
PALAVRAS-CHAVES: Melanoma; Imagens Dermatoscópicas; Rede Neural Convolucional; Rede em Cápsula; Transfer Learning; Fine-tuning.
PÁGINAS: 81
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
RESUMO:

Dentre os cânceres de pele, o melanoma é o principal causador de fatalidades e vem aumentando sua incidência pelo mundo, sendo fundamental a descoberta da patologia nas fases iniciais para aumentar as chances de cura. Métodos computacionais estão sendo desenvolvidos para facilitar a sua detecção através de imagens médicas. Para interpretar informações nessas imagens de forma eficiente é necessário isolar a região com lesão, esse processo é chamado de segmentação e é uma tarefa altamente complexa devido as formas anormais das lesões e a presença de outros artefatos. Neste estudo foram propostos métodos de segmentação automática de câncer de pele melanoma em imagens dermatoscópicas baseados em fundamentos de deep learning, pós-processamento, transfer learning e fine-tuning. Investigou-se a classificação de lesões de pele com e sem as máscaras de segmentação, para avaliar o impacto que elas causam no desempenho da classificação e, além disso, avaliou-se o uso de redes neurais convolucionais pré-treinadas e redes em cápsula na classificação de melanoma. Os experimentos foram realizados em três bases de imagens públicas com máscara de segmentação (PH2, DermIS e ISIC 2018 Desafio Segmentação) e duas bases sem máscara (MED-NODE e ISIC 2018 Desafio de Classificação). Os resultados indicaram que as técnicas de segmentação foram promissoras, com destaque para a U-net com \textit{transfer-learning} e fine-tuning que obteve média Dice de 0,923 na base PH2, Dice = 0,893 na ISIC 2018 e Dice = 0,879 na DermIS. Na classificação as CNNs mostraram-se mais efetivas que a CapsNet para o problema de lesões de pele. O uso da segmentação durante a classificação mostrou-se positivo para as CNNs e não benéficos para a CapsNet. Dessa forma, conclui-se que embora as segmentações sejam benéficas, elas também podem causar reduções no desempenho da classificação, pois um erro de 6,8% de Dice na segmentação da base PH2 ocasionou cerca de -2,5% de Acurácia na classificação.

MEMBROS DA BANCA:
Presidente - 2025063 - ROMUERE RODRIGUES VELOSO E SILVA
Interno - 2025885 - FLÁVIO HENRIQUE DUARTE DE ARAÚJO
Interno - 1126212 - ANTONIO OSEAS DE CARVALHO FILHO
Externo à Instituição - BRUNO VICENTE ALVES DE LIMA - IFMA