Dissertação

{pt_PT=Detecção de Melanoma usando Métodos de aprendizagem profunda} {} EVALUATED

{pt=O melanoma é o cancro da pele mais mortífero. A detecção precoce deste tipo de cancro é essencial para a cura do paciente. Tem havido um esforço para o desenvolvimento de sistemas automatizados para a detecção e a análise de lesões da pele, denominados por sistemas CAD. Este trabalho apresenta um sistema CAD capaz de distinguir melanomas de não-melanomas, utilizando redes neuronais profundas. A principal contribuição é a comparação de três redes neuronais convolucionais (CNN) em separado, AlexNet, VGG e ResNet, nunca antes comparadas no mesmo estudo de detecção automática de melanomas. Estas CNN foram treinadas recorrendo a transferência de aprendizagem e ao aumento de dados. Adicionalmente, foi avaliado o impacto de dois hiper-parâmetros relevantes para o treino das redes: o dropout e o ritmo de aprendizagem. A base de dados utilizada foi a do concurso ISIC da edição de 2017. O conjunto original de imagens dermatoscópicas consistia em 2000 imagens de treino (1626 lesões benignas e 374 malignas), 150 de validação (120 lesões benignas e 30 malignas) e 600 de teste (483 lesões benignas e 117 malignas). O conjunto de treino foi submetido a posteriori à técnica de aumento de dados, contendo 1626 lesões benignas e 1870 malignas. Para um conjunto de teste de 600 imagens, a ResNet atingiu 79% de sensibilidade, 60% de especificidade e 77% de área abaixo da curva de característica de operação do receptor. O sistema desenvolvido realça o potencial das CNN usadas em sistemas CAD para a detecção automática de melanoma., en=Melanoma is the deadliest form of skin cancer due to its propensity to metastasize. Therefore, early detection is crucial to guarantee a successful treatment. Computer-Aided Diagnosis (CAD) systems have been developed to provide an automated melanoma detection. This thesis proposes a CAD system based on deep neural networks to distinguish between melanoma and benign skin lesions. The novelty lies in the use and comparison of three different Convolutional Neural Networks (CNN), namely AlexNet, VGG and ResNet. These CNN were trained using transfer learning and data augmentation. Additionally, a thorough assessment of the influence of dropout and the choice of learning rate is performed. The image dataset was extracted from the ISIC 2017 Challenge. The original dataset contains 2000 training images (1626 benign lesions and 374 melanomas), 150 validation images (120 benign lesions and 30 melanomas) and 600 test images (483 benign lesions and 117 melanomas). The training set was then augmented, containing 1626 benign examples and 1870 malign examples. For a test set of 600 images, ResNet reached a sensitivity of 79%, a specificity of 60%, a balanced accuracy of 69% and an area under the receiver operating characteristic curve of 77%. Hence, the proposed system demonstrates the potential of CNN in CAD systems for automated melanoma detection.}
{pt=Melanoma, sistemas CAD, detecção automática de melanomas, CNN, transferência de aprendizagem, aumento de dados, en=Melanoma, CAD system, automated melanoma detection, CNN, transfer learning, data augmentation}

Junho 4, 2019, 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

Especialista