FenixEdu™

Dissertação

Skin cancer diagnosis using self-supervised learning EVALUATED

Detalhes: Redes neurais são a abordagem padrão para a classificação de imagens. Estes modelos exigem uma grande quantidade de dados anotados. O processo de obter dados clinicos é uma tarefa difícil, devido às restrições de privacidade que existem nos dias de hoje. Obter dados com as respetivas anotações médicas é ainda mais difícil, uma vez que estes diagnósticos têm que ser fornecidas por especialistas. A aprendizagem auto-supervisionada SSL surgiu como uma possibilidade de contornar este problema, na medida em que utiliza dados não anotados para pré-treinar as CNNs. Recentemente, o SSL foi aplicado no contexto do cancro da pele. No entanto, os resultados não foram conclusivos, sendo que lhes faltou uma análise qualitativa. Assim sendo, falta ainda executar um estudo onde se analisa o impacto das diferentes técnicas do SSL. Nesta dissertação de mestrado, foram investigadas duas abordagens de SSL: Rotation e SimCLR. Os resultados obtidos destacam os benefícios da aplicação da aprendizagem auto-supervisionada na classificação de imagens dermatoscópicas. Foi, também, demonstrado que essas abordagens aprendem recursos diferentes e complementares. O SSL é conhecido por melhorar o seu desempenho com o uso de mais dados. Consequentemente, optou-se por se executar uma experiência onde se adicionou mais 50% dos dados. Foi possível observar, que dependendo do nível de dificuldade da tarefa, mais esta beneficia do uso de mais dados. Assim sendo, o modelo pre-treinado com o SimCLR beneficiou mais com o aumento de dados. A fusão das duas técnicas também mostrou benefícios, uma vez que o SimCLR também melhorou.
Keywords: Lesões de Pele, Redes Neuronais, Aprendizagem Auto-Supervisionada, Imagens Dermoscópicas

Discussão: novembro 23, 2021, 8:0