Dissertação

{en_GB=Deep Hierarchical Diagnosis of Skin Lesions} {} EVALUATED

{pt=A deteção precoce de cancros de pele é muito importante porque melhora consideravelmente o prognóstico do paciente. Neste contexto, técnicas de classificação de dados e reconhecimento de padrões são ferramentas importantes para o conseguir. As lesões de pele podem ser organizadas numa estrutura hierárquica, em que no primeiro nível se dividem as lesões melanocíticas das não melanocíticas, e em cada um destes sub-grupos se dividem em benignas ou malignas. Contudo, este conhecimento tem sido desaproveitado na maioria dos métodos automáticos e, nesta tese utilizamos este conhecimento. Neste trabalho, estudaram-se dois tipos de modelos, baseados em aprendizagem profunda, para classificar imagens dermoscópicas: um modelo tradicional, em que a inferência é realizada numa única decisão que envolve todas as categorias, e um modelo hierárquico que explora a estrutura hierárquica da organização de lesões de pele, em que a inferência é realizada através de várias decisões. Posteriormente, estudou-se um modelo misto que combina estas duas abordagens, de forma a capturar os pontos fortes de cada uma. Com a análise dos resultados dos modelos propostos verificou-se que o modelo hierárquico é afetado pela propagação de erros das decisões intermédias, em relação ao classificador tradicional. No entanto, o modelo misto permite melhorar significativamente os resultados de ambas as abordagens. Adicionalmente, dada a importância de conseguir obter bons resultados, mesmo quando a quantidade de dados disponı́vel é reduzida, estudou-se o efeito de aplicar o modelo hierárquico num conjunto de dados de reduzida dimensão, verificando-se que é significativamente penalizado com a redução da dimensão do dataset., en=The early detection of skin cancer is very important because it improves significantly the patient’s prognosis, and techniques of data classification are important tools to accomplish it. Skin lesions can be organized hierarchically, where in the first level the melanocytic lesions and non-melanocytic lesions are splitted, and in each of these sub-groups the benign and malignant lesions are further discriminated. However, this knowledge has been disregarded by most automatic methods and we propose to investigate this issue. In this work, we implement and compare the results of two different models based in deep learning, to diagnose skin lesion’s images: a flat model, where the inference is done in a single decision which involves all the categories, and a hierarchical model that explores the hierarchical structure of skin lesions’ organization, where the inference for each example involves more than one decision. Afterwards, a mixed model, which combines these approaches, was implemented in order to capture the strengths of each one. The hierarchical model was more affected by the error propagation of the intermediate decisions, in comparison with the flat classifier. However, the mixed model allows to improve significantly the results over both approaches. Additionally, since it is very important to obtain good results even when a small amount of data is available, we studied the effects of applying the hierarchical model in a dataset with reduced size and, the hierarchical model’s results are significantly worse, suggesting that the hierarchical model performs better when applied in datasets of bigger size.}
{pt=Aprendizagem Profunda, Classificador Hierárquico, Lesões de Pele, en=Deep Learning, Hierarchical Classifier, Skin Lesions}

Julho 21, 2020, 10:0

Orientação

ORIENTADOR

Ana Catarina Fidalgo Barata

ISR

Professor Auxiliar Convidado

ORIENTADOR

Jorge Dos Santos Salvador Marques

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Catedrático