CLASSIFICAÇÃO DE IMAGENS DERMATOSCÓPICAS UTILIZANDO APRENDIZADO PROFUNDO

Abstract

RESUMO: O melanoma é considerado o câncer de pele de maior gravidade e a sua descoberta em estágios avançados pode levar o paciente a óbito. O diagnóstico precoce ainda é a melhor forma de prescrevei um tratamento adequado. Nesse contexto, O presente trabalho apresenta duas abordagens de classificação de imagens dermatoscópicas por meio da utilização de aprendizado profundo com as Redes Neurais Convolucionais. A primeira delas é baseada nos princípios tradicionais de detecção do melanoma, utilizando os conceitos da regra ABCD. Para tal, essa proposta de abordagem desenvolve as etapas de pré-processamento com filtros morfológicos. segmentação com o método Fu=y K-Incans. extração de características de assimetria com o descritor de geometria, bordas com o método de Histogiam Oriente(' Gindient, cor com o descritor Estatístico em Canais de Cores e os métodos de Haralic4: e de Gabor Bank Filter para obter os dados de texturas. Por fim, a classificação desses dados é realizada com unia arquitetura convolucional. A segunda abordagem sugerida neste trabalho utiliza as arquiteturas de redes convolucionais Ale.xNet. e VGG-F. Antes de treinar essas redes, o conjunto de imagens é ajustado por meio do método de data augmcntation. Após o treino, os modelos convolucionais são utilizados como descritores de características por intermédio das camadas FC6 e FC7. Em ambas as abordagens propostas, são utilizados Os métodos de classificação Support Vector Machine, K-Neare,s-t Neiyhbor e MultiLayex Perceptron. Esses classificadores são implementados na maioria das formas de diagnóstico de lesões cancerígenas. Os testes realizados neste trabalho utilizaram as bases de imagens PI-12 e ISIC. A abordagem de classificação com as redes convolucionais obteve uma acurácia de 93,1% na classificação correta do melanoma. Já a abordagem com modelos convolucionais treinados obteve, em seu melhor resultado, unia acurácia de 91,5% na classificação das lesões cancerígenas com a descrição da arquitetura AlexNet. utilizando um treinamento com o método de bach normalization. ABSTRACT: Melanoma is considered the worst kind of skin caneer, and its discovery at advanced stages can bring the patient to death. The early diagnosis is the 1)(.:st., way to prescribe an adequate treatment. In tias context, the present work presents two approaches of dermoscopic image cla,ssifica.tion, through t,he use of deep learning with eonvolutional neural networks. The first is based on the traditional principies of melanorna detection, using the concepts of the ABCD ride. In tias regard, this approaa proposal develops the pre-processing steps with morphological filters, segmentation with the Fuzzy K-means method, asymmetry characteristic extraction with the geometry descriptor, borders with the Histogram Oriented Gradient method, color with the color channel statistic descriptor and the Haralic and Gahor Bank Filter methods to ohtain the texture data. Finally, the classificador' of these data is performed with a convolutional architecture. The second approach suggested in this work uses the AlexNet and VGG-F convolutional network arehitectures. Before training these networks, the image set is adjusted through the data augmentation method. Atter the training, the convolutional models are used as characteristic descriptors through the FC6 and FC7 layers. In both approaehes, are used the Support Vector Machine, K-Nearest Neighbor and MultiLayer Perceptron classification methods. These cla,ssifiers are implementl in most of the cancerous lesions diagnosis means. The tests performed ia this work used the PH 2 and ISIC image databases. The classification approa,ch with the convolutional networks obtained a 93,1% accuracy on classifying melanoma,. The approa,ch with trained convolutional models obtained, a,t, its best result, a 91.3% aceura,ey ou classifying cancerous lesions with the description of the AlexNet, architeetine. using a training with the method of bach normalization.