DCCMAPI/CCET

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: ALAN RAFAEL FERREIRA DOS SANTOS
DATA: 07/04/2022
HORA: 14:00
LOCAL: Sala Virtual: meet.google.com/dds-eocu-crs
TÍTULO: Um Estudo para Adaptação de Backbones na Detecção de Melanoma em Tempo Real Utilizando You Only Look Once (YOLO)
PALAVRAS-CHAVES: Melanoma; Imagens médicas; YOLO.
PÁGINAS: 25
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Processamento Gráfico (Graphics)
RESUMO: O melanoma é um tipo de câncer de pele presente em todo o mundo. O diagnóstico precoce dessa doença evita a metástase e facilita o tratamento. A primeira etapa de diagnóstico da doença é realizada por meio da análise de imagens digitais pelo dermatologista. A identificação visual não é uma tarefa fácil, pois as imagens contêm ruídos, variações de contraste, cor e zoom. Por isso, existe um grande interesse no desenvolvimento de abordagens computacionais para auxiliar o dermatologista. Muitas pesquisas vêm impulsionando o uso da abordagem de Deep Learning para problemas que envolvem imagens médicas. Inclusive, uma de suas metodologias, a You Only Look Once (YOLO), é considerada uma ascensão na literatura pelo seu desempenho em sistemas de tempo real. Desse modo, este trabalho propõe um estudo sobre essa metodologia, com o objetivo de avaliar a sua capacidade na localização e detecção de lesões de pele do tipo melanoma. O intuito da proposta é melhorar a precisão no diagnóstico. Para isso, o foco é produzir alterações nas arquiteturas convolucionais embutidas, também conhecidas como backbones. A proposta é dividida em quatro etapas. A primeira etapa realiza o pré-processamento e o ajuste das imagens. A segunda etapa faz o treinamento do zero, Transfer Learning e Fine-Tuning em arquiteturas convolucionais. A terceira etapa utiliza as arquiteturas do processo anterior como extratoras de características. Essa etapa serve para avaliar a precisão dos dados obtidos nas últimas camadas convolucionais por meio de classificadores convencionais. Por fim, a quarta etapa incorpora os melhores backbones ao YOLO para avaliar a precisão na detecção de lesões melanoma. Em experimentos iniciais, com as bases de imagens HAM10000, Med-Node, DermIs e PH 2 , é possível perceber que treinar arquiteturas do zero não é vantajoso para a extração de características, se comparado com as técnicas de Transfer Learning e Fine Tuning. Os resultados mostram que as arquiteturas que utilizam essas duas últimas técnicas em conjunto conseguem produzir que atingem entre 5% e 12% a mais de precisão para detecção de lesões melanoma.
MEMBROS DA BANCA:
Presidente - 579.300.403-30 - KELSON RÔMULO TEIXEIRA AIRES
Interno - 641.754.563-68 - RODRIGO DE MELO SOUZA VERAS
Externo à Instituição - LEANDRO AUGUSTO FRATA FERNANDES - UFF
Externo à Instituição - SANDRA ELIZA FONTES DE AVILA - UNICAMP