Uma abordagem de classificação de câncer de pele usando GAN e mecanismo de atenção baseado em RoI
Carregando...
Notas
Data
Orientadores
Coorientadores
Membros de banca
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Lavras
Faculdade, Instituto ou Escola
Departamento
Departamento de Ciência da Computação
Programa de Pós-Graduação
Programa de Pós-graduação em Ciência da Computação
Agência de fomento
Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)
Tipo de impacto
Áreas Temáticas da Extenção
Objetivos do desesenvolvimento sustentável
Dados abertos
Resumo
O 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.
Abstract
Skin 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.
Descrição
Área de concentração
Agência de desenvolvimento
Palavra chave
Marca
Objetivo
Procedência
Impacto da pesquisa
Resumen
ISBN
DOI
Citação
TEODORO, 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.