Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/26524
Título: Classificação de câncer de pele usando redes neurais convolucionais: uma análise do desempenho de classificação em um conjunto de dados desbalanceado
Autor(es): Delazeri, Alexandre Valadão
Stevani, Egon Sulivan
Orientador(es): Dorini, Leyza Elmeri Baldo
Palavras-chave: Pele - Câncer
Melanoma
Redes neurais (Computação)
Aprendizado do computador
Skin - Cancer
Melanoma
Neural networks (Computer science)
Machine learning
Data do documento: 8-Fev-2021
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Curitiba
Citação: DELAZERI, Alexandre Valadão; STEVANI, Egon Sulivan. Classificação de câncer de pele usando redes neurais convolucionais: uma análise do desempenho de classificação em um conjunto de dados desbalanceado. 2020. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) - Universidade Tecnológica Federal do Paraná, Curitiba, 2020.
Resumo: Câncer é uma das principais causas de morte em todo o mundo, responsável pelo óbito de aproximadamente 9.8 milhões de pessoas apenas em 2018. O câncer de pele é o tipo mais comum de câncer, representando pelo menos 40% de todos os casos de diagnóstico neoplásico. Dado que a detecção de cânceres em estágio inicial é muito relevante — as taxas de cura chegam a 90% para melanomas de baixo risco - uso de técnicas para diagnóstico rápido é de grande contribuição à área médica. O desenvolvimento de CNNs (do inglês Convolutional Neural Networks) que classifiquem essas patologias é um recurso que pode ser valioso para o desenvolvimento de ferramentes auxiliares. O presente trabalho implementou quatro CNNs: VGG16, ResNet-50, Resnet101 e Inception-Resnet, para classificar imagens de câncer de pele, oriundas de uma base de dados HAM10000, a fim e analisar e comparar seus desempenhos obtidos em relação à precisão, sensibilidade e especificidade, em cinco diferentes cenários. Foram aplicadas técnicas de aumento de dados a partir de transformações geométricas e transferência de aprendizado. A rede que obteve os melhores foi a VGG16, tanto em relação à precisão geral (obtida no primeiro cenário), com 82%, quando às métricas analisadas para cada classe (quinto cenário) separadamente.
Abstract: Cancer is a leading cause of death worldwide, responsible for the death of approximately 9.8 million people just in 2018. Skin cancer is the most common type it’s desease, representing at least 40% of all cases of diagnosis. Given that the detection of early cancers is very relevant — cure rates reach 90% for low-risk melanomas — the use of techniques for rapid diagnosis is of great contribution to the area. The development of CNNs (Convolutional Neural Networks) that classify these pathologies is a resource that can be valuable for the development of auxiliary tools. The present work has implemented four CNNs: VGG16, ResNet-50, Resnet101 and Inception -Resnet, to classify skin cancer images from a HAM10000 database, in order to analyze and compare their performance in terms of precision, sensitivity and specificity, in five different scenarios. Was applied geometric transformations and transfer of learning. The network that obtained the best results was VGG16, both in relation to the general precision (obtained in the first scenario), with 82 %, and to the metrics analyzed for each class (fifth scenario) separately.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/26524
Aparece nas coleções:CT - Sistemas de Informação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
classificacaocancerredesneurais.pdf22,57 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.