ISSN |
2237-9045 |
Instituição |
Universidade Federal de Viçosa |
Nível |
Graduação |
Modalidade |
Pesquisa |
Área de conhecimento |
Ciências Exatas e Tecnológicas |
Área temática |
Inteligência Artificial |
Setor |
Instituto de Ciências Exatas e Tecnológicas - Campus Rio Paranaíba |
Conclusão de bolsa |
Não |
Primeiro autor |
Natalia Camillo do Carmo |
Orientador |
JOAO FERNANDO MARI |
Título |
Classificação de lesões de pele utilizando redes neurais convolucionais |
Resumo |
O câncer de pele não melanoma é o mais comum no Brasil e pode apresentar diferentes tipos de tumores. A forma de classificar esses tumores é pela inspeção de lesões ou manchas específicas na pele. A inspeção a olho nu da lesão possui desvantagens, como a necessidade de profissionais qualificados para o diagnóstico e está sujeita a erros devido a aspectos subjetivos do processo. Métodos de processamento de imagens e aprendizado de máquina podem auxiliar os especialistas a classificar e identificar lesões de pele pigmentadas. Os algoritmos podem aprender a distinguir diferentes tipos de lesões por meio de imagens digitais. Neste trabalho são empregadas redes neurais convolucionais (RNCs) para classificar imagens de acordo com tipos diferentes de lesões. O objetivo do trabalho foi comparar diferentes arquiteturas de RNCs (ResNet-50, VGG-16 e Inception v3) na classificação de sete classes de lesões de pele pigmentadas (actinic keratoses and intraepithelial carcinoma (akiec); basal cell carcinoma (bcc); benignkeratosis-like lesions (bkl); dermatofibroma (df); melanoma (mel); melanocytic nevi (nv) e lesões vasculares (vasc)). Os experimentos foram realizados com o conjunto de dados HAM 10000 composto por 10.005 imagens de lesões de pele. Os modelos foram avaliados considerando a divisão do conjunto de dados com o método holdout (70% para treinamento, 15% para validação e 15% para testes) e também com validação cruzada 5-fold. As imagens foram pré-processadas e o impacto do aumento de dados e do treinamento com fine-tuning foi avaliado. Considerou-se a acurácia sobre o conjunto de testes como métrica para determinar a melhor arquitetura de CNN e a melhor estratégia de treinamento. Computou-se também a precisão, recall e F1-Score. O melhor resultado foi alcançado pelo modelo ResNet-50 sem fine-tuning e com aumento de dados, com acurácia de 85%. Os métodos desenvolvidos neste trabalho podem auxiliar os especialistas da área a classificar e identificar lesões de pele pigmentadas mais facilmente. |
Palavras-chave |
Câncer de pele, Inteligência artificial, redes neurais convolucionais. |
Forma de apresentação..... |
Vídeo |