Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/334382
Full metadata record
DC FieldValueLanguage
dc.contributor.CRUESPUNIVERSIDADE ESTADUAL DE CAMPINASpt_BR
dc.descriptionOrientador: Eduardo Alves do Valle Júniorpt_BR
dc.descriptionDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computaçãopt_BR
dc.format.extent1 recurso online (58 p.) : il., digital, arquivo PDF.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languageInglêspt_BR
dc.relation.requiresRequisitos do sistema: Software para leitura de arquivo em PDFpt_BR
dc.typeDISSERTAÇÃO DIGITALpt_BR
dc.titleDeep-learning segmentation for skin lesion images : Segmentação de imagens de lesão de pele com aprendizado profundopt_BR
dc.title.alternativeSegmentação de imagens de lesão de pele com aprendizado profundopt_BR
dc.contributor.authorTavares, Julia Amaya, 1991-pt_BR
dc.contributor.advisorValle, Eduardo, 1978-pt_BR
dc.contributor.institutionUniversidade Estadual de Campinas. Faculdade de Engenharia Elétrica e de Computaçãopt_BR
dc.contributor.nameofprogramPrograma de Pós-Graduação em Engenharia Elétricapt_BR
dc.subjectMelanomapt_BR
dc.subjectSegmentação de imagenspt_BR
dc.subjectSegmentação de imagens médicaspt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.subject.otherlanguageMelanomaen
dc.subject.otherlanguageImage segmentationen
dc.subject.otherlanguageImage segmentation of medical imagesen
dc.subject.otherlanguageNeural networks (Computer Science)en
dc.description.abstractResumo: Câncer de pele tem um índice alto de cura durante os seus primeiros estágios, mas pode se tornar fatal se não for tratado. Uma lesão de pele pode variar desde tipos benignos como nevos e queratose actínica, até tipos malignos como carcinoma ou melanoma. Este último é o tipo mais agressivo de câncer de pele, e o que causa o maior número de mortes. No contexto de análise de imagens médicas, a localização da região de interesse é um passo importante para os médicos, que auxilia, por exemplo, a elaboração de laudos e acompanhamento da progressão de lesões, e com isso a utilização de ferramentas automático pode ser muito útil. Assim como em outros domínios médicos, a localização de lesões de pele nas imagens também é relevante pois aspectos como crescimento irregular da lesão e a presença de alguns marcadores típicos de sua malignidade podem ocorrer nas regiões periféricas ou nas suas bordas. Nos últimos anos, muitas novas soluções foram propostas para a tarefa de segmentação de imagem, potencializando o uso de redes neurais profundas. Muitas destas soluções focam na tarefa mais geral de segmentar objetos de diferentes tipos. O uso dessas abordagens é relativamente novo no domínio de lesões de pele. Neste trabalho, apresentamos uma visão geral dessa literatura, exploramos um subgrupo das principais ideias em uma série de experimentos em um dataset de imagens dermoscópicas, e propomos uma implementação open-source que atinge um resultado promissor, com coeficiente Jaccard de 0.754pt
dc.description.abstractAbstract: Skin cancer has a high cure rate during its early stages, but can become fatal if left untreated. A skin lesion may range from a benign type of lesion such as nevus and actinic keratosis, to a cancerous type such as carcinoma or melanoma. The latter is the most aggressive type of skin cancer, and causes the most deaths. In the context of medical image analysis, obtaining the location of the region of interest is an important step for physicians, which assists, for instance, in the preparation of medical records and the monitoring of the progression of diseases. In those cases, the use of automatic tools can be very useful. As in other medical domains, the location of skin lesions in the images is also relevant because aspects such as irregular growth of the lesion and the presence of some tumor markers may occur in the peripheral regions or in its borders. In recent years, many new solutions have been proposed to tackle the task of image segmentation, leveraging the use of deep neural networks. Most of those solutions focus on the more general task of segmenting objects of different types. The use of these approaches are relatively new in the skin lesion domain. In this work, we provide an overview of this literature, explore a subset of the main ideas with a series of experiments on a dataset of dermoscopic images and propose an open-sourced implementation that achieves a promising Jaccard score of 0.754en
dc.publisher[s.n.]pt_BR
dc.date.issued2018pt_BR
dc.identifier.citationTAVARES, Julia Amaya. Deep-learning segmentation for skin lesion images: Segmentação de imagens de lesão de pele com aprendizado profundo. 2018. 1 recurso online (58 p.). Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP.pt_BR
dc.description.degreelevelMestradopt_BR
dc.description.degreedisciplineEngenharia de Computaçãopt_BR
dc.description.degreenameMestra em Engenharia Elétricapt_BR
dc.contributor.committeepersonalnameRamirez Rivera, Gerberth Adinpt_BR
dc.contributor.committeepersonalnameRittner, Leticiapt_BR
dc.date.defense2018-06-13T00:00:00Zpt_BR
dc.date.available2019-07-15T18:50:10Z-
dc.date.accessioned2019-07-15T18:50:10Z-
dc.description.provenanceMade available in DSpace on 2019-07-15T18:50:10Z (GMT). No. of bitstreams: 1 Tavares_JuliaAmaya_M.pdf: 5706708 bytes, checksum: 2bbbe5e0aba398aa5d915f3bfc371ab9 (MD5) Previous issue date: 2018en
dc.identifier.urihttp://repositorio.unicamp.br/jspui/handle/REPOSIP/334382-
Appears in Collections:FEEC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Tavares_JuliaAmaya_M.pdf5.57 MBAdobe PDFView/Open


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