Dissertação

{en_GB=Skin Cancer Detection Using Sparse Coding} {} EVALUATED

{pt=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., en=Melanoma of the skin is one of the deadliest cancer types. As for most types of cancer, its chances of being cured greatly increase with the swiftness of its diagnosis. Due to this, great efforts have been put into using machine learning to automate the process of melanoma detection. This thesis joins that field of work by making use of sparse coding techniques embedded in a complete system for melanoma diagnosis that incorporates feature extraction and classification. The methods used in this thesis are based on the sparse representation of data and dictionaries learned from data. The effectiveness of discriminative dictionaries and sparse codes is studied, as well as the application of hierarchical clustering to the dictionary atoms in order to further cut redundancies. Finally, the impact of deep learning in the aforementioned system is inspected through the use of deep features extracted from a pre-trained convolutional neural network (CNN), namely the VGG19 [1]. The systems proposed in this thesis achieve a sensitivity of 56, 41% and a specificity of 71, 43% for the image dataset from 2017 challenge from the International Skin Imaging Collaboration (ISIC) and a sensitivity of 64, 84% and a specificity of 88, 82% for the image dataset from the Interactive Atlas of Dermoscopy (EDRA) which, taking in account the simplicity of the systems, show promise.}
{pt=Deteção de Melanoma, representações esparsas, SVM, redes convolu- cionais, clustering hierárquico, aprendizagem discriminativa, en=melanoma detection, sparse coding, svm, convolutional neural networks, hierarchi- cal clustering, discriminative learning}

Junho 24, 2019, 14:0

Orientação

ORIENTADOR

Ana Catarina Fidalgo Barata

ISR

Especialista

ORIENTADOR

Jorge Dos Santos Salvador Marques

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Catedrático