<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

COMBINAÇÃO DA REGRA ABCD E CNN’S PRÉ-TREINADAS NO DIAGNÓSTICO AUTOMÁTICO DE MELANOMA

dc.contributor.authorMOURA, Nayara Holanda de
dc.date.accessioned2018-07-06T13:26:52Z
dc.date.available2018-07-06T13:26:52Z
dc.date.issued2018-07-06
dc.descriptionOrientador: Prof. Dr. Rodrigo de Melo Souza Veras. Examinador interno: Prof. Dr. Kelson Rômulo Teixeira Aires. Examinador interno: Prof. Dr. Vinícius Ponte Machado. Examinador externo: Prof.ª Dr.ª Fátima Nelsizeuma Sombra de Medeiros (UFC).'pt_BR
dc.description.abstractRESUMO: Melanoma é um tipo maligno de lesão de pele, e atualmente está entre os tipos existentes de câncer mais perigosos. Entretanto, o diagnóstico precoce dessa doença proporciona ao paciente uma maior chance de cura. Neste cenário, métodos computacionais para processamento e análise de imagens de lesão de pele têm sido estudados e desenvolvidos para auxiliar os profissionais da área médica. Esses métodos pretendem possibilitar uma facilidade e rapidez em relação ao diagnóstico da patologia através da interpretação de imagens médicas. Neste trabalho é proposto um método computacional visando auxiliar os médicos dermatologistas no diagnóstico de lesões de pele em melanoma ou não-melanoma, por meio de imagens dermatoscópicas. Com este método pretende-se classificar as lesões de pele utilizando um descritor híbrido. Esse descritor é obtido a partir da combinação da regra ABCD (Assimetria, Borda, Cor e Diâmetro) e Redes Neurais Convolucionais: CaffeNet, Vgg-m, Vgg-verydeep-19, Vgg-f e Vgg-s. Além disso, é realizado nesse descritor híbrido uma seleção de atributos com o algoritmo Razão de Ganho de Informação. As características extraídas das imagens são utilizadas como entradas para o classificador Perceptron de Múltiplas Camadas (MLP). Nos testes, foram utilizadas imagens de lesão de pele de 2 bases de imagens públicas: PH2 e DermIS. O resultado obtido na classificação foi uma taxa de acerto igual a 94,9% e um índice Kappa de 0,8916, considerado “Excelente”. ABSTRACT: Melanoma is a malignant kind of skin lesion, and is currently among the most dangerous types of cancer present. However, the early diagnosis of this disease gives the patient a greater chance of cure. In this scenario, computational methods for processing and analyzing skin lesion images have been studied and developed to assist medical professionals. These methods aim to make it easier and quicker to diagnose pathology through the interpretation of medical images. This work proposes a computational method to assist dermatologists in the diagnosis of skin lesions in melanoma or non-melanoma by means of dermatoscopic images. With this method we intend to classify the skin lesions using a hybrid descriptor. This descriptor is obtained from the combination of the ABCD rule (Asymmetry, Border, Color and Diameter) and Convolutional Neural Networks: CaffeNet, Vgg-m, Vgg-verydeep- 19, Vgg-f and Vgg-s. In addition, a selection of attributes with the Gain Ratio Information algorithm is performed in this hybrid descriptor. The characteristics extracted from the images are used as inputs for the MultiLayer Perceptron (MLP) classifier. In the tests, skin lesion images from 2 public image bases PH2 and DermIS were used. The result obtained in the classification was an accuracy equal to 94.9% and a Kappa index of 0.8916, considered “Excellent”.pt_BR
dc.identifier.urihttp://hdl.handle.net/123456789/1318
dc.language.isootherpt_BR
dc.subjectMelanomapt_BR
dc.subjectDescritor híbridopt_BR
dc.subjectMultilayer perceptronpt_BR
dc.subjectHybrid descriptorpt_BR
dc.titleCOMBINAÇÃO DA REGRA ABCD E CNN’S PRÉ-TREINADAS NO DIAGNÓSTICO AUTOMÁTICO DE MELANOMApt_BR
dc.typePreprintpt_BR

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
dissertacao-nayara.pdf
Tamanho:
9,28 MB
Formato:
Adobe Portable Document Format
Descrição:
Dissertação - Total

Pacote de licença

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1,71 KB
Formato:
Item-specific license agreed upon to submission
Descrição: