Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/335713
Type: DISSERTAÇÃO DIGITAL
Degree Level: Mestrado
Title: Deep learning for skin lesion classification : augment, train, and ensemble = Aprendizado profundo para classificação de lesões de pele: aumento, treino e conjunto
Title Alternative: Aprendizado profundo para classificação de lesões de pele : aumento, treino e conjunto
Author: Perez, Fábio Vinícius Moreira, 1991-
Advisor: Valle, Eduardo, 1978-
Abstract: Resumo: A detecção precoce é fundamental para um paciente com melanoma, o tipo mais letal de câncer de pele. O diagnóstico automatizado de melanoma pode melhorar o atendimento ao paciente, ampliando e acelerando o tratamento, especialmente com o crescimento no número de novos casos em todo o mundo. O aprendizado profundo (deep learning) e as redes neurais convolucionais (CNNs) revolucionaram a área de imagens médicas, incluindo a análise de lesões de pele. Neste trabalho, investigamos a classificação automatizada de lesões de pele com foco em dois componentes essenciais do aprendizado profundo: os dados e as arquiteturas de modelos. Dividimos nossos experimentos em três partes principais: 1) aumento de dados, 2) classificação multiclasse de lesões de pele e 3) arquitetura de CNNs e seleção de modelos. Apesar dos modelos de aprendizado profundo necessitarem de muitos dados, os conjuntos de dados públicos de lesões de pele são pequenos, já que coletar e anotar imagens de lesões são tarefas difíceis e caras. Atacamos esse problema através do aumento de dados, uma técnica que simula novos dados por meio de transformações de imagem. Analisamos os efeitos de diferentes cenários de aumento de dados em CNNs para classificação de melanoma, confirmando ganhos com o uso do aumento durante o treinamento e o teste. Posteriormente, exploramos a classificação multiclasse de lesões de pele com conjuntos de dados altamente desbalanceados no contexto do ISIC Challenge 2018, onde fomos classificados como o quarto melhor grupo sem utilizar dados externos. Por fim, exploramos arquiteturas modernas de CNNs e investigamos quais fatores podem ajudar na seleção de bons modelos para a classificação de melanoma e como podemos combiná-los em ensembles. Nossos resultados contribuem com o objetivo de produzir modelos confiáveis para classificação automatizada de lesões de pele, o que pode levar a melhores cuidados de saúde e a mais vidas salvas

Abstract: Early diagnosis is critical for a patient with melanoma, the most lethal type of skin cancer. Automated melanoma diagnosis may improve patient care by broadening and accelerating treatment, especially with the number of new cases rising globally. Deep learning and convolutional neural networks (CNNs) have revolutionized medical imaging, including skin lesion analysis. In this work, we investigate automated skin lesion classification with a focus on two essential components of deep learning: data and model architecture. We divide our experiments into three main parts: 1) data augmentation, 2) multi-class skin lesion classification, and 3) CNN architecture and model selection. While deep learning models are data-hungry, public skin lesion datasets are small since lesion images are hard to collect and annotate. We tackle this problem with data augmentation, a technique to simulate new data through image transformations. We analyzed the effects of different augmentation scenarios in CNNs for melanoma classification, confirming gains with both training and testing augmentation. Later, we explored multi-class skin lesion classification with highly imbalanced datasets in the context of the ISIC Challenge 2018, where we ranked the 4th best group without external data. Finally, we explored modern CNN architectures and investigated which factors may help us to select good models for melanoma classification and how to effectively ensemble them. Our results contribute to the ultimate goal of producing reliable models for automated skin lesion classification, which can lead to better healthcare and more saved lives
Subject: Melanoma
Redes neurais convolucionais
Aprendizado de máquina
Aprendizado profundo
Diagnóstico por imagem
Language: Inglês
Editor: [s.n.]
Citation: PEREZ, Fábio Vinícius Moreira. Deep learning for skin lesion classification: augment, train, and ensemble = Aprendizado profundo para classificação de lesões de pele: aumento, treino e conjunto. 2019. 1 recurso online (94 p.). Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP.
Date Issue: 2019
Appears in Collections:FEEC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Perez_FabioViniciusMoreira_M.pdf8.49 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.