FenixEdu™

Dissertação

{en_GB=Skin cancer diagnosis using self-supervised learning} {} EVALUATED

Detalhes: {pt=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. , en=Convolutional Neural networks (CNNs) are the standard approach for image classification. However, they require a large amount of data and corresponding annotations. Collecting medical data is a difficult task, due to privacy restrictions. Moreover, it is even harder to obtain the clinical labels, since these must be provided by specialists. Self-supervised learning (SSL) has emerged as a possibility to overcome this issue, since it uses non-annotated data to pre-train the CNN. Recently SSL has been applied in the context of skin cancer. However, the results were not conclusive since a qualitative analysis was missing. Moreover, a proper analysis of the impact of different SSL approaches is still missing. In this master's thesis it will be investigated two SSL approaches: Rotation and SimCLR. The results highlight the benefits of applying self-supervised learning to the classification of dermoscopy images. Additionally, it was possible to demonstrate that these approaches learn different and complementary features, which is also a novelty of this thesis. As SSL is known to benefit from using more unlabeled data, it was also studied the impact of adding more data to the SSL pre-trained models (using 50% more data). It was possible to observe that depending on the level of difficulty of the task, the more it benefits from using more data. Therefore, the SimCLR task benefited more from the increase of data. The fusion of both techniques also showed to benefit with the use of more data, this was expected since the SimCLR also improved.}
Keywords: {pt=Lesões de Pele, Redes Neuronais, Aprendizagem Auto-Supervisionada, Imagens Dermoscópicas, en=Skin Cancer, Deep Learning, Self-Supervised Learning, Dermoscopy}

Discussão: novembro 23, 2021, 8:0