Estudo de Modelos baseados em Redes Neurais Profundas para a Classificação de Tumores Melanocíticos Conjuntivais

• Rafael B. dos Santos UEFS
• Matheus G. Pires UEFS
• Fabiana C. Bertoni UEFS

DOI: https://doi.org/10.5753/sbcas.2024.2762

Resumo

O melanoma conjuntival é uma neoplasia maligna, que geralmente se apresenta como uma lesão nodular pigmentada. Casos variantes com diversas formas atípicas podem atrasar a identificação. Com o intuito de auxiliar o médico no diagnóstico precoce, minimizando os riscos ao paciente, este trabalho tem como objetivo realizar um estudo comparativo de algoritmos para classificar os tumores melanocíticos conjuntivais. Para isso, foram avaliados modelos baseados em Redes Neurais Convolucionais de classificação binária e multiclasse dos tumores, a partir dos modelos VGG16, Xception e MobileNetV2, utilizando a técnica Transfer Learning para melhorar a generalização dos modelos. Para classificação final da imagem, foi realizada uma abordagem baseada em assembleia de classificadores, composta pelos algoritmos PMC, SVM e KNN. O estudo utilizou uma base de dados com 406 imagens, aplicando técnicas de balanceamento de dados, como SMOTE e ADASYN. Para encontrar o modelo de classificação com melhor desempenho, foi usada a abordagem de validação cruzada 5-folds. Considerando todos os testes realizados, o modelo Ensemble MobileNetV2 foi o que obteve os melhores resultados.

Referências

Allam, E., Salem, A., and Alfonse, M. (2024). Classification of orbital tumors using convolutional neural networks. Neural Computing and Applications, 36:6025–6035.

Chandrabhatla, A., Horgan, T., Cotton, C., Ambati, N., and Shildkrot, Y. (2023). Clinical applications of machine learning in the management of intraocular cancers: A narrative review. Investigative ophthalmology visual science, 64:29.

Chawla, N. V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, W. P. (2002). Smote: Synthetic minority over-sampling technique. The Journal of Artificial Intelligence Research, 16:321–357.

Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions.

Fawcett, T. (2006). An introduction to roc analysis. Pattern Recognition Letters, 27(8):861–874. ROC Analysis in Pattern Recognition.

He, H., Bai, Y., Garcia, E. A., and Li, S. (2008). Adasyn: Adaptive synthetic sampling approach for imbalanced learning. In 2008 IEEE International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence), pages 1322–1328.

Jain, P., Finger, P. T., Fili, M., Damato, B., Coupland, S. E., Heimann, H., Kenawy, N., Brouwer, N. J., Marinkovic, M., Duinen, S. G. V., Caujolle, J. P., Maschi, C., Seregard, S., Pelayes, D., Folgar, M., Yousef, Y. A., Krema, H., and Calle-Vasquez, B. G. A. (2021). Conjunctival melanoma treatment outcomes in 288 patients: a multicentre international data-sharing study. British Journal of Ophthalmology, 105(10):1358–1364.

Koseoglu, N., Corrêa, Z., and Liu, T. Y. (2023). Artificial intelligence for ocular oncology. Current opinion in ophthalmology, Publish Ahead of Print.

Li, Z., Qiang, W., Chen, H., Pei, M., Yu, X., Wang, L., Li, Z., Xie, W., Wu, X., Jiang, J., and Wu, G. (2022). Artificial intelligence to detect malignant eyelid tumors from photographic images. npj Digital Medicine, 5:23.

Nazir, S., Dickson, D. M., and Akram, M. U. (2023). Survey of explainable artificial intelligence techniques for biomedical imaging with deep neural networks. Computers in Biology and Medicine, 156:106668.

Novais, G. A. and Karp, C. L. (2012). Redes neurais profundas e ensemble de classificadores: uma aplicação em imagens médicas. Arquivos Brasileiros de Oftalmologia, 75:289–295.

Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., and Chen, L.-C. (2018). Mobilenetv2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).

Santos-Bustos, D. F., Nguyen, B. M., and Espitia, H. E. (2022). Towards automated eye cancer classification via vgg and resnet networks using transfer learning. Engineering Science and Technology, an International Journal, 35:101214–101226.

Simonyan, K. and ZissermanK, A. (2014). Very deep convolutional networks for largescale image recognition. CoRR, pages 1–14.

Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., and Salakhutdinov, R. (2014). Dropout: a simple way to prevent neural networks from overfitting. J. Mach. Learn. Res., 15(1):1929–1958.

Yoo, T. K., Choi, J. Y., Kim, H. K., Ryu, I. H., and Kim, J. K. (2021). Adopting low-shot deep learning for the detection of conjunctival melanoma using ocular surface images. Computer Methods and Programs in Biomedicine, 205:1–10.