Otimização de CNN aplicada ao Diagnóstico de Melanoma
Resumo
O melanoma é o câncer de pele mais letal em comparação aos ou- tros, entretanto, os pacientes apresentam um elevado ı́ndice de cura quando diagnosticado em seu estágio inicial. Por este motivo, tem sido propostas abor- dagens para o diagnóstico e detecção automática propostas por diferentes au- tores. Entretanto, o treinamento de modelos em bases de dados pequenas e não balanceadas apresentam diversos obstáculos. Dessa forma, esse trabalho em andamento tem o objetivo aplicar as técnicas de transferência de aprendizado para treinamento de modelos capazes de auxiliar no diagnóstico e triagem do melanoma. Resultado preliminares mostraram que uso da geração de dados sintéticos em conjunto com o fine-tuning da VGG16, apresentaram melhorias cruciais, aproximadamente 100% de sensibilidade e 93,75% de especificidade.
Referências
Baldi, P. and Sadowski, P. (2014). The dropout learning algorithm. Artificial intelligence, 210:78–122. http://dx.doi.org/10.1016/j.artint.2014.02.004
Chollet, F. et al. (2015). Keras. https://keras.io.
De Boer, P.-T., Kroese, D. P., Mannor, S., and Rubinstein, R. Y. (2005). A tutorial on the cross entropy method. Annals of operations research, 134(1):19–67. http://dx.doi.org/10.1007/s10479-005-5724-z
Klein, S., Pluim, J. P., Staring, M., and Viergever, M. A. (2009). Adaptive stochastic gradient descent optimisation for image registration. International journal of computer vision, 81(3):227. http://dx.doi.org/10.1007/s11263-008-0168-y
Mendonça, T., Ferreira, P. M., Marques, J. S., Marçal, A. R. S., and Rozeira, J. (2013). Ph2 - a dermoscopic image database for research and benchmarking. Conference proceedings : ... Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual Conference, 2013:5437–40. http://dx.doi.org/10.1109/EMBC.2013.6610779
Mukkamala, M. C. and Hein, M. (2017). Variants of rmsprop and adagrad with logarithmic regret bounds. In Proceedings of the 34th International Conference on Machine Learning-Volume 70, pages 2545–2553. JMLR. org.
Simonyan, K. and Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
Soares, H. B. (2008). Análise e classificação de imagens de lesões da pele por atributos de cor, forma e textura utilizando máquina de vetor de suporte. PhD thesis, Universidade Federal do Rio Grande do Norte.
Xu, B., Wang, N., Chen, T., and Li, M. (2015). Empirical evaluation of rectified activations in convolutional network. arXiv preprint arXiv:1505.00853.
Zeiler, M. D. and Fergus, R. (2013). Stochastic pooling for regularization of deep convolutional neural networks. arXiv preprint arXiv:1301.3557.
