A INFLUÊNCIA DA ILUMINAÇÃO E COR NA PRECISÃO DE DETECÇÃO DE CÂNCER DE PELE COM APRENDIZADO PROFUNDO

Abstract

Resumo O diagnóstico precoce do câncer de pele maligno é essencial para evitar a metástase e definir um tratamento adequado. Nesse sentido, muitas pesquisas já propuseram abordagens automatizadas de aprendizado profundo para auxiliar na análise visual de imagens digitais de lesões de pele em busca de um diagnóstico preciso. Os aspectos de cor das lesões são essenciais para determinar a suspeita de malignidade. Em imagens digitais, a cor pode variar conforme as mudanças na intensidade e nos aspectos de iluminação. Nessa perspectiva, esta tese investiga a relevância das características de iluminação e cor na precisão da classificação do câncer de pele utilizando modelos de aprendizado profundo. O estudo analisa como variações nessas características podem influenciar a detecção de lesões malignas, destacando a importância da correção de iluminação e cor para melhorar a precisão em sistemas de detecção. A metodologia deste trabalho desenvolveu uma abordagem de validação que combina técnicas convencionais de correção, como Contrast Limited Adaptive Histogram Equalization (CLAHE), Perfect Reflector e Shades of Gray (SoG), com técnicas avançadas baseadas em aprendizado profundo, como Local Color Distribution Prior Network (LCDPNet), Low-Light Neural Radiance Field (LLNeRF) e Deep Symmetric Network (DSN). O processo de delimitação das regiões das lesões utiliza a técnica personalizada DeepLabV3+. Os modelos de aprendizado profundo analisados incluem Inception-V3, Xception, ResNet-50 e DenseNet-121, treinados utilizando transferência de aprendizado e aumento de dados com a técnica Test-Time Augmentation (TTA). Os experimentos mostraram que as técnicas de correção de iluminação e cor com aprendizado profundo superam os métodos convencionais, melhorando a precisão na classificação de lesões malignas com os modelos avaliados. As arquiteturas de redes neurais profundas apresentaram sensibilidade variável às correções de iluminação e cor, sendo mais sensíveis aquelas com menor número de camadas e tamanhos menores de filtros. A correção das características de iluminação e cor produziu aumentos em todas as taxas de precisão nos modelos experimentados, embora alguns resultados não tenham sido expressivos. A correção dessas características é indispensável na classificação do câncer de pele com aprendizado profundo. A escolha adequada de técnicas analíticas pode aumentar a precisão na identificação de malignidades de pele. Além disso, o design e a estrutura da arquitetura do modelo influenciam a percepção da iluminação e da cor, tornando os modelos mais sensíveis às variações dessas características. Futuros estudos devem explorar novos métodos de correção com aprendizado auto-supervisionado e mecanismos de atenção para aprimorar a detecção de câncer de pele.

Abstract Early diagnosis of malignant skin cancer is essential to prevent metastasis and determine appropriate treatment. In this context, many studies have proposed automated deep learning approaches to assist in visualizing digital images of skin lesions in search of accurate diagnosis. The color aspects of lesions are crucial for determining the suspicion of malignancy. In digital images, color can vary according to changes in intensity and lighting aspects. From this perspective, this thesis investigates the relevance of lighting and color characteristics in the accuracy of skin cancer classification using deep learning models. The study analyzes how variations in these characteristics can influence the detection of malignant lesions, highlighting the importance of lighting and color correction to improve accuracy in detection systems. The methodology of this work developed a validation approach that combines conventional correction techniques, such as Contrast Limited Adaptive Histogram Equalization (CLAHE), Perfect Reflector, and Shades of Gray (SoG), with advanced deep learning-based methods, such as Local Color Distribution Prior Network (LCDPNet), Low-Light Neural Radiance Field (LLNeRF), and Deep Symmetric Network (DSN). The process of delimiting the lesion regions uses the customized DeepLabV3+ technique. The deep learning models analyzed included Inception-V3, Xception, ResNet-50, and DenseNet-121, and they were trained using transfer learning and data augmentation with Test-Time Augmentation (TTA) technique. Experiments showed that deep learning-based lighting and color correction techniques outperform conventional methods, improving accuracy in classifying malignant lesions with the evaluated models. The deep neural network architectures showed variable sensitivity to lighting and color corrections, with those having fewer layers and smaller filter sizes being more sensitive. Lighting and color characteristic correction increased all accuracy rates in the experimented models, although some results were insignificant. Correcting these characteristics is indispensable in classifying skin cancer with deep learning. The appropriate choice of analytical techniques can increase the accuracy of identifying skin malignancies. Additionally, the design and structure of the model architecture influence the perception of lighting and color, making the models more sensitive to variations in these characteristics. Future studies should explore new correction methods with self-supervised learning and attention mechanisms to enhance skin cancer detection.