Dissertação

{en_GB=Joint Segmentation and Diagnosis of Skin Lesions} {} EVALUATED

{pt=A detecção precoce de lesões malignas da pele é crucial para a total regressão da doença. Caso um melanoma seja detectado suficientemente cedo, a taxa de sobrevivência é de 99 por cento. Dermatoscopia é uma técnica que permite um diagnóstico mais fiável em relação à inspecção visual da pele. A dermatoscopia proporciona uma ampliação da lesão e a remoção de reflexões presentes na pele. Sistemas de detecção e segmentação automática têm sido desenvolvidos de forma a auxiliar a comunidade médica. Esta tese desenvolve um sistema conjunto de aprendizagem profunda para classificação e segmentação automática de lesões da pele. Este sistema conjunto foi feito com base numa arquitectura já conhecida para segmentação de imagens biomédicas, de nome U-Net. Foram criados sistemas independentes para cada uma das tarefas e posteriormente associados, de forma a puder estudar possíveis interacções entre os modelos e benefícios do sistema conjunto. O modelo independente de segmentação obteve um JAC de 70.6%, tendo o modelo independente de classificação obtido uma sensibilidade média de 64.1%. Ambas as técnicas alcançaram bons resultados. Com o modelo conjunto, o sistema obteve um JAC de 66.3% e uma sensibilidade média de 59.6%., en=Early detection of malignant skin lesions is crucial for survival. In particular, the most aggressive form of skin cancer (melanoma) has a survival rate of 99% if detected in an early stage. Dermoscopy is a technique that allows a more accurate diagnosis of skin lesions by magnifying and clearing surface reflection of the skin. Automatic detection and segmentation of skin lesions can help the medical community perform a diagnosis. This thesis develops a deep learning multi-task network for automatic segmentation and classification of skin lesions. This multi-task network is based on a well-known segmentation architecture called U-Net, designed for biomedical image segmentation tasks. Independent models were created for both tasks and later joined, to study interactions between the models and joined benefits. The independent model for segmentation achieved a JAC of 70.6%, and the independent model for classification achieved a Balanced Accuracy of 64.1%. Both techniques reached good results. With the multi-task model, the system achieved a JAC of 66.3%, and a Balanced Accuracy of 59.6%.}
{pt=Classificação de Lesões da Pele, Segmentação de Lesões da Pele, Dermatoscopia, Aprendizagem Profunda, en=Skin Lesion Classification, Skin Lesion Segmentation, Dermoscopy, Deep Learning}

Setembro 18, 2020, 10:0

Orientação

ORIENTADOR

Jorge Dos Santos Salvador Marques

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Catedrático

ORIENTADOR

Ana Catarina Fidalgo Barata

ISR

Investigador