Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/48892
Registro completo de metadados
Campo DCValorIdioma
dc.creatorTeodoro, Arthur Alexsander Martins-
dc.date.accessioned2022-01-19T16:36:25Z-
dc.date.available2022-01-19T16:36:25Z-
dc.date.issued2022-01-19-
dc.date.submitted2021-11-30-
dc.identifier.citationTEODORO, A. A. M. Uma abordagem de classificação de câncer de pele usando GAN e mecanismo de atenção baseado em RoI. 2021. 82 p. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de Lavras, Lavras, 2021.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/48892-
dc.description.abstractSkin cancer is a global health problem, being the most common type of cancer, being divided into two categories, non-melanoma cancer, more common and less lethal, and melanoma cancer, less common, but with a high mortality rate. Early diagnosis is the best way to fight skin cancer, avoiding invasive methods in non-melanoma skin cancer and increasing the cure rate and survival in the case of melanoma type cancer. Several computer vision techniques are being used in the medical field, in order to help professionals with diagnosis, treatment recommendation, among others. One of these methods is the use of convolutional neural networks, also called by the acronym CNN, for the classification of images of lesions and tumors, with studies showing an even greater accuracy capacity than trained physicians. However, some problems are encountered when it comes to skin lesion image classification, such as image set imbalance. For this, several techniques can be used for the generation of images in order to balance the set, however, one that has gained prominence is the use of generative adversarial networks, also called by the acronym GAN, which are capable of generating synthetic images with high quality based on a set previously used in a training process. This work aims to search for methods that lead to an increase in the performance of CNN networks for the classification of skin lesions. For that, this work proposes a CNN architecture based on the EfficientNetB0 network, called EfficientAttentionNet, for classification of skin lesions, specifically melanoma and non-melanoma. First, the original image dataset, from the International Society for Digital Skin Imaging (ISDIS), is pre-processed to eliminate hairs around the skin lesion. Subsequently, a GAN model generated synthetic images to balance the number of samples per class in the training set. A U-net template is used to create masks with the region of interest of the image. Finally, the proposed EfficientAttentionNet model to classify skin cancer using mask attention mechanisms is presented. The results showed that the proposed classification model achieved high performance results, obtaining accuracy of 0.979, precision of 0.945, recall of 0.995 and ROCAUC of 0.976, serving as a reference for research in the area of classification of skin lesions.pt_BR
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Lavraspt_BR
dc.rightsacesso abertopt_BR
dc.subjectRedes neurais convolucionaispt_BR
dc.subjectCâncer de pele - Diagnósticopt_BR
dc.subjectRedes generativas adversáriaspt_BR
dc.subjectDiagnóstico por imagempt_BR
dc.subjectPele - Câncerpt_BR
dc.subjectConvolutional neural networkpt_BR
dc.subjectSkin cancer - Diagnosispt_BR
dc.subjectGenerative adversarial networkspt_BR
dc.subjectDiagnostic imagingpt_BR
dc.titleUma abordagem de classificação de câncer de pele usando GAN e mecanismo de atenção baseado em RoIpt_BR
dc.title.alternativeA skin cancer classification approach using GAN and RoI-based attention mechanismpt_BR
dc.typedissertaçãopt_BR
dc.publisher.programPrograma de Pós-graduação em Ciência da Computaçãopt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countrybrasilpt_BR
dc.contributor.advisor1Zegarra Rodríguez, Demóstenes-
dc.contributor.advisor-co1Silva, Bruno de Abreu-
dc.contributor.referee1Araujo, Eric Fernandes de Mello-
dc.contributor.referee2Arjona Ramirez, Miguel-
dc.description.resumoO câncer de pele é um problema de saúde mundial, tratando-se do tipo de câncer mais comum, sendo dividido em duas categorias, o câncer não melanoma, mais comum e menos letal, e o câncer melanoma, menos comum, porém, com uma grande taxa de mortalidade. O diagnóstico precoce é a melhor forma de combater o câncer de pele, evitando métodos invasivos no câncer de pele não melanoma e aumentando a taxa de cura e a sobrevida no caso do câncer do tipo melanoma. Diversas técnicas de visão computacional estão sendo empregadas na área médica, a fim de auxiliar os profissionais com diagnóstico, recomendação de tratamento, entre outros. Um desses métodos é o uso de redes neurais convolucionais, também chamadas pela sigla CNN, para a classificação de imagens de lesões e tumores, com estudos demonstrando uma capacidade de acerto até maior que de médicos treinados. Entretanto, alguns problemas são encontrados quando se trata da classificação de imagens de lesão de pele, como o desbalanceamento do conjunto de imagens. Para isso, podem ser usadas diversas técnicas para a geração de imagens a fim de balancear o conjunto, porém, uma que tem ganhado destaque é o uso de redes generativas adversárias, também chamadas pela sigla GAN, que são capazes de gerar imagens sintéticas com alta qualidade baseado em um conjunto previamente usado em um processo de treinamento. Este trabalho tem como objetivo buscar métodos que levem a um aumento no desempenho de redes CNN para a classificação de lesão de pele. Para isso, este trabalho propõe uma arquitetura CNN baseada na rede EfficientNetB0, denominada EfficientAttentionNet, para classificação de lesões cutâneas, especificamente melanoma e não melanoma. Em primeiro lugar, o conjunto de dados da imagem original, da International Society for Digital Skin Imaging (ISDIS), é pré-processado para eliminar os pelos ao redor da lesão cutânea. Posteriormente, um modelo GAN gerou imagens sintéticas para equilibrar o número de amostras por classe no conjunto de treinamento. Um modelo U-net é usado para criar máscaras com a região de interesse da imagem. Finalmente, é apresentado o modelo EfficientAttentionNet proposto para classificar o câncer de pele usando mecanismos de atenção com a máscara. Os resultados mostraram que o modelo de classificação proposto atingiu resultados de alto desempenho, obtendo acurácia de 0,979, precisão de 0,945, recall de 0,995 e ROCAUC de 0,976, servindo como referência para pesquisas na área de classificação de lesões cutâneas.pt_BR
dc.publisher.departmentDepartamento de Ciência da Computaçãopt_BR
dc.subject.cnpqCiência da Computaçãopt_BR
dc.creator.Latteshttp://lattes.cnpq.br/0322553843909904pt_BR
Aparece nas coleções:Ciência da Computação - Mestrado (Dissertações)



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.