"A Transversalidade da Ciência, Tecnologia e Inovações para o Planeta"
5 a 7 de outubro de 2021
Trabalho 15080
| 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 |
| Link para apresentação | Vídeo |
|---|