Comparação de arquiteturas de Deep Learning para segmentação de imagens dermatoscópicas de melanoma

Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, Engenharia Eletrônica, 2020.No Brasil, o câncer de pele representa cerca de 33% dos diagnósticos dentre os tipos de câncer, sendo apenas 3% causados pelo melanoma. Entretanto, esse tipo de câncer possui a maior taxa de mortalidade dentre os cânceres de pele, cerca de 7%. Por tratar-se de uma doença com alta taxa de mortalidade, o diagnóstico precoce do melanoma em seu estágio inicial é essencial para um prognóstico positivo da doença. Devido aos avanços tecnológicos, novos métodos de diagnósticos de doenças de pele estão sendo desenvolvidos para auxiliar profissionais médicos, como por exemplo o diagnóstico auxiliado por computador que utiliza técnicas de aprendizado de máquina e suas ramificações. A segmentação é um dos passos mais importantes do diagnóstico auxiliado por computador, pois acaba afetando a precisão das etapas seguintes. Este trabalho tem como objetivo comparar diferentes técnicas de segmentação de imagens baseadas em aprendizado profundo para segmentação de melanoma em imagens dermatoscópicas. Os backbones DenseNet-121, Resnet-50 e VGG-19 foram utilizados na etapa de encoder da U-Net para a realização do processo de segmentação. As arquiteturas foram treinadas e testadas utilizando o dataset ISIC 2017 com e sem a utilização da técnica de aumento de dados a fim de avaliar o impacto desta técnica nas métricas obtidas. Posteriormente, após a obtenção do modelo treinado, o mesmo foi testado no dataset PH2 . Todo o processo de implementação deste trabalho foi feito no ambiente computacional Google Colab em sua versão Pro, utilizando o TensorFlow e o Keras como as principais bibliotecas na implementação das arquiteturas. A arquitetura U-Net + ResNet-50 apresentou índice Jaccard de 81.94%, melhor índice nas médias obtidas no dataset ISIC com a utilização do aumento de dados, porém, o melhor modelo obtido foi apresentado pela arquitetura DenseNet-121 com 83.64% utilizando o dataset \u1d43c\u1d446\u1d43c\u1d436\u1d434 com aumento de dados.In Brazil, skin cancer represents about 33% of diagnoses among types of cancer, with only 3% caused by melanoma, however, this type of cancer have a higher mortality rate among skin cancers, about 7%. As it is a disease with a high mortality rate, the early diagnosis of melanoma in its initial stage is essential for a positive prognosis of the disease. Due to technological advances, new methods of diagnosing skin diseases are being developed to assist medical professionals, such as the diagnosis aided by a computer using machine learning techniques and their ramifications. Segmentation is one of the most important steps of computer-aided diagnosis, as it ends up affecting the accuracy of the following steps. This work aims to compare different image segmentation techniques based on deep learning for melanoma segmentation in dermoscopic images. The DenseNet-121, Resnet-50 and VGG-19 backbones were used in the U-Net encoder stage to perform the segmentation process. The architectures were trained and tested using the ISIC 2017 dataset with and without the use of the data augmentation technique in order to assess the impact of this technique on the obtained metrics. Subsequently, after obtaining the trained model, it was tested on the PH2 dataset. The entire process of implementing this work was done in the Google Colab computing environment in its Pro version, using TensorFlow and Keras as the main libraries in the implementation of the architectures. The U-Net + ResNet-50 architecture presented a Jaccard index of 81.94%, the best index in the averages obtained in the ISIC dataset with the use of data increase, however the best model obtained was presented by the DenseNet-121 architecture with 83.64% using the \u1d43c\u1d446\u1d43c\u1d436\u1d434 dataset with data augmentation