Application of Deep Learning methods to detect global patterns in dermoscopic images and aid the skin cancer diagnosis.

Abstract

O câncer de pele é uma das principais causas da baixa expectativa de vida no mundo. Para seu diagnóstico, um médico especialista examina os diferentes padrões que podem aparecer em uma lesão de pele. Assim, identificar esses padrões é uma etapa importante para o diagnóstico e prognóstico precoce. Os trabalhos anteriores neste tópico giram em torno do uso de técnicas clássicas de processamento de imagem para extrair recursos das imagens e construir um vetor de características para classificação. Esse tipo de abordagem é trabalhosa e envolve uma seleção cuidadosa das técnicas de extração de características para ter sucesso. As redes neurais convolucionais (CNNs), por outro lado, que fazem parte do Deep Learning, têm a capacidade de aprender esses extratores de características a partir dos dados. Sob essa perspectiva, o objetivo principal deste trabalho é estudar a utilização dessas técnicas para a identificação de padrões globais em imagens dermatoscópicas de lesões de pele. Embora os CNNs já tenham sido usados em outros problemas relacionados à classificação de lesões de pele, sua adequação para o problema de classificação de padrão global ainda não foi completamente avaliada. Nossos experimentos indicam que a falta de grandes conjuntos de dados e sendo eles bem desbalanceados dificultam o uso de CNNs. No entanto, aplicando técnicas de aumento de dados e aprendizagem por transferência, esses problemas podem ser mitigados e as CNNs podem se tornar uma ferramenta útil. Entre as arquiteturas CNN comparadas, a de melhor desempenho foi a SqueezeNet. Por ser uma arquitetura compacta, ela pode sofrer menos com a falta de um grande conjunto de dados. Sua média ponderada de acurácia, sensibilidade e especificidade foi de 84,6%, 61,1% e 91,2%, respectivamente. Modelos hierárquicos foram testados posteriormente, mas não obtiveram melhora na sensibilidade geral.