Please use this identifier to cite or link to this item: http://hdl.handle.net/123456789/4255
Title: Comparativo de técnicas de aprendizado profundo e processamento de imagens para o diagnóstico de melanoma
Other Titles: Comparison of deep learning techniques and image processing for the diagnosis of melanoma
Authors: REIS, Nelia Cantanhede
Keywords: Melanoma
Diagnóstico
Processamento de Imagens
CNN
SimpleNet
Melanoma
Diagnosis
Image Processing
CNN
SimpleNet
Issue Date: 2-Jan-2020
Publisher: Universidade Federal do Maranhão
Abstract: O melanoma maligno é um dos tipos de câncer mais mortais que existe, por isso é de suma importância a detecção e diagnóstico de forma precoce com o intuito de aumentar as chances de sobrevivência do paciente. Assim, existem estudos que têm como o objetivo realizar o diagnóstico dessa doença de forma automática utilizando ferramentas de Inteligência Artificial. Este trabalho tem como objetivo fazer um estudo comparativo entre técnicas de aprendizado profundo e técnicas de processamento de imagens convencional, de maneira que possa indicar quais abordagens conseguem capturar e representar melhor os padrões de melanoma. Para isso, foi utilizado o Meta Learning e uma CNN, baseada na arquitetura da Simple Net para realizar os testes na base de dados pública da ISIC. Os resultados alcançaram uma acurácia de 91.45% e 87.91% para o Meta Learning e a CNN, respectivamente. Assim, podemos concluir que os métodos convencionais de processamento de imagens se bem combinados, podem obter resultados promissores, se comparado com a rede Simple Net.
Description: Abstract The malignant melanoma is one of the deadliest cancers, so early detection and diagnosis is of utmost importance in order to increase the patient’s chances of survival and is a major challenge in medical imaging. Thus, there are studies that aim to diagnose this disease automatically using Artificial Intelligence tools. This paper aims to make a comparative study between deep learning techniques and conventional image processing techniques, so that it can indicate which approaches can better capture and represent melanoma patterns. For this, we used Meta Learning and a CNN, based on the architecture of Simple Net to perform the tests on ISIC’s public database. The results reached an accuracy of 91.45% and 87.91% for Meta Learning and CNN, respectively. Thus, we can conclude that conventional image processing methods, if well combined, can yield better results compared to the Simple Net network.
URI: http://hdl.handle.net/123456789/4255
Appears in Collections:TCCs de Graduação em Ciência da Computação do Campus do Bacanga

Files in This Item:
File Description SizeFormat 
NELIA-REIS.pdfTrabalho de Conclusão de Curso1,63 MBAdobe PDFView/Open


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