DCCMAPI/CCET

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: ALAN RAFAEL FERREIRA DOS SANTOS
DATA: 07/06/2024
HORA: 08:00
LOCAL: Sala Virtual (Google Meet)
TÍTULO: A Influência da Iluminação e Cor na Precisão de Detecção de Câncer de Pele com Aprendizado Profundo
PALAVRAS-CHAVES: Melanoma; Imagens médicas; Redes Neurais Convolucionais.
PÁGINAS: 75
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Processamento Gráfico (Graphics)
RESUMO: Os cânceres de pele malignos são comuns em países emergentes, sendo que as principais causas dessas doenças são exposição solar excessiva e predisposições genéticas. A cor é um atributo relevante na detecção dessas doenças, lesões que possuem aspecto de cor variável podem aumentar as chances de ocorrência que levam ao câncer de pele maligno. O aprendizado profundo é considerada uma das metodologias mais promissoras na detecção automática do câncer de pele por imagens digitais. As bases de imagens disponíveis na literatura para treinar métodos desse tipo possuem condições de iluminação variadas. Essas variações podem afetar a representação fidedigna das cores das lesões. Nesse sentido, visto a relevância das cores para o diagnóstico médico do câncer de pele, a tese deste trabalho desenvolveu um estudo focado nas nuances de iluminação e na reflexão de cores para identificar as relações entre essas características e detecção precisa de lesões de pele malignas. Para isso, uma abordagem foi desenvolvida priorizando essas características na detecção de malignidades com aprendizado profundo. Essa abordagem inclui a remoção de pelos, a aplicação dos métodos avançados de correção de iluminação e cor LCDPNet, LLNeRF e DSN. Além disso, também são tratadas outras técnicas convencionais de correção dessas características como o CLAHE, o Perfect Reflector e o SoG. A segmentação semântica é outra sistemática aplicada na delimitação da região de interesse com a técnica DeepLabV3+, determinando o melhor envoltório da lesão nas imagens. O treinamento das arquiteturas Inception-V3, Xception, ResNet-50 e DenseNet-121 foi realizado por transferência de aprendizado e ajuste, com aumento de dados utilizando a técnica TTA. Os resultados apresentados mostram que a correção dos aspectos de iluminação e cor são necessários para melhorar a precisão de diagnóstico do câncer de pele, mesmo com o aprendizado profundo. Isso é evidenciado pela combinação sinérgica da abordagem desenvolvida, sendo que as técnicas LCDPNet, LLNeRF e DSN proporcionaram um melhor desempenho, oferecendo um aumento de precisão entre 3% e 4%, se comparado com as técnicas convencionais CLAHE, Perfect Reflector e SoG. As diferentes arquiteturas de redes neurais profundas reagem de maneira variável às correções de iluminação e cor. Algumas arquiteturas são mais sensíveis às variações dessas características, enquanto outras são mais robustas. Essa sensibilidade está relacionada ao design da arquitetura, camadas e filtros. O estudo desenvolvido evidencia como a integração de métodos avançados de correção de iluminação e cor em conjunto com outras técnicas de aprendizado profundo pode melhorar o diagnóstico preciso do câncer de pele, oferecendo novas oportunidades de pesquisas e aprofundamentos.
MEMBROS DA BANCA:
Presidente - 579.300.403-30 - KELSON RÔMULO TEIXEIRA AIRES
Interno - 407686 - ANSELMO CARDOSO DE PAIVA
Interno - 641.754.563-68 - RODRIGO DE MELO SOUZA VERAS
Externo à Instituição - ANDREA GOMES CAMPOS BIANCHI - UFOP
Externo à Instituição - LEANDRO AUGUSTO FRATA FERNANDES - UFF