DCCMAPI/CCET

Uma banca de PROPOSTA DE TESE/DISSERTAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: ALAN RAFAEL FERREIRA DOS SANTOS
DATA: 26/09/2023
HORA: 08:00
LOCAL: Sala Virtual (Google Meet)
TÍTULO: Detecção do Câncer de Pele Utilizando Aprendizado Profundo e Princípios de Iluminação e Cor
PALAVRAS-CHAVES: Melanoma; Imagens médicas; Redes Neurais Convolucionais.
PÁGINAS: 100
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Processamento Gráfico (Graphics)
RESUMO: O câncer de pele é uma condição comum em países de clima tropical e vem apresentando um aumento significativo nos países emergentes com esse perfil climático. O diagnóstico tardio da doença é preocupante devido à associação com um maior número de óbitos. Apesar dos avanços no diagnóstico precoce do câncer de pele, a falta de sintomas óbvios em lesões cutâneas malignas pode levar a uma identificação tardia das malignidades e até mesmo à ocorrência de metástases. Diante desse contexto, o objetivo desta proposta de tese é investigar e desenvolver uma nova abordagem utilizando aprendizado profundo para uma detecção precisa do câncer de pele, priorizando a correção de problemas e nuances encontradas na literatura. Alguns desses problemas incluem a padronização de iluminação e cor em imagens de lesões de pele em bases de imagens, a tendência de modelos de predição serem mais precisos para lesões em pessoas de pele clara, excluindo casos de malignidade em imagens de lesões em pessoas de pele escura, e a ausência de interpretabilidade nos resultados obtidos por meio do aprendizado profundo. A metodologia proposta neste trabalho utiliza as bases de imagens ISIC 2020, PAD-UFES, DDI e PH2. O processo de correção das imagens inclui a remoção de pelos e aprimoramento de iluminação e cor utilizando a arquitetura LCDPNet pré-treinada. Também é realizado um aumento dos dados usando a arquitetura StyleGAN3, com dois processos: treinamento do zero com imagens de lesões de tom de pele claro e transferência de aprendizado e ajuste para lesões de tom de pele escuro, considerando a escala de Fitzpatrick. Para a classificação das imagens, são utilizadas as arquiteturas profundas ResNet-50, Inception-V3 e Xception, considerando duas classes de lesões: malignas e benignas. A análise dos resultados é feita em dois casos: com e sem correção de iluminação e cor. Além disso, são utilizados os frameworks de interpretabilidade de resultados Gradient-weighted Class Activation Mapping (GradCAM), Score-Weighted Visual Explanations (ScoreCAM) e Local Interpretable Model-Agnostic Explanations (LIME). Os resultados preliminares com as bases de imagens sugeridas demonstram que, embora haja uma pequena melhoria nos resultados com a correção de iluminação e cor, com uma precisão de até 98,3% e sensibilidade de 94,2% na detecção de malignidades, utilizando a Inception-V3, é possível desenvolver modelos de predição precisos para malignidades de pele que sejam igualmente eficazes em diferentes etnias, além de serem mais precisos e interpretáveis, possibilitando uma maior compreensão sobre os resultados de detecção.
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 - LEANDRO AUGUSTO FRATA FERNANDES - UFF
Externo à Instituição - SANDRA ELIZA FONTES DE AVILA - UNICAMP