FenixEdu™

Dissertação

Skin Cancer Detection Using Sparse Coding EVALUATED

Detalhes: Melanoma é um dos tipos de cancro mais mortı́feros. Tal como para outros tipos de cancro, a probabili- dade de cura depende da precocidade do diagnóstico. Por este motivo, muitos esforços têm sido feitos no sentido de usar aprendizagem automática para automatizar o processo de deteção de melanoma. Esta tese integra-se neste grupo de trabalhos através do uso de técnicas de representação esparsa incluı́das num sistema completo de diagnóstico de melanomas, que incorpora os passos de extracção de caracterı́sticas e de classificação, com o intuito de fazer deteção de melanoma em imagens der- moscópicas. Os métodos usados na tese baseiam-se na representação esparsa dos dados e no uso de di- cionários aprendidos a partir dos dados. A eficácia de dicionários e códigos esparsos discriminativos é estudada, bem como a aplicação de agrupamento hierárquico dos átomos dos dicionários para elim- inar quaisquer redundâncias. Finalmente o impacto de aprendizagem profunda no sistema descrito é testada através do uso de caracterı́sticas extraidas de uma rede convolucional pré-treinada, nomeada- mente a VGG19 [1]. O sistema final proposto nesta tese atinge uma sensibilidade de 56, 41% e uma especificidade de 71, 43% no conjunto de imagens dermoscópicas da competição de 2017 da Interna- tional Skin Imaging Collaboration (ISIC) e uma sensibilidade de 64, 84% e uma especificidade de 88, 82% no conjunto de imagens do Interactive Atlas of Dermoscopy (EDRA) que, tendo em conta a simplicidade dos sistemas propostos, são resultados promissores.
Keywords: Deteção de Melanoma, representações esparsas, SVM, redes convolu- cionais, clustering hierárquico, aprendizagem discriminativa

Discussão: junho 24, 2019, 14:0