Este repositório contém o código fonte das implementações dos experimentos utilizados para o projeto apresentado na Monografia apresentada ao Curso de Bacharelado em Sistemas de Informação da Universidade Federal Rural de Pernambuco, como requisito parcial para obtenção do título de Bacharel em Sistemas de Informação.
Autor: José Carlos Monte Silva Júnior
Orientador: Prof. Dr. Rodrigo Gabriel Ferreira Soares
Instituição: Universidade Federal Rural de Pernambuco - UFRPE
Departamento: Departamento de Estatística e Informática - DEINFO
Curso: Curso de Bacharelado em Sistemas de Informação
Local e data de publicação: Recife, 2024
Defendido e aprovado em: 02/10/2024
URI: https://repository.ufrpe.br/handle/123456789/6372
O câncer de pele é o tipo mais comum de câncer no mundo, dividido em dois tipos principais: melanoma e não melanoma. Embora mais raro, o melanoma é o mais letal devido ao seu potencial de causar metástase. Métodos não invasivos, como a dermatoscopia e a regra ABCDE, têm sido utilizados para evitar procedimentos cirúrgicos desnecessários e têm ajudado na identificação de lesões, contribuindo para diagnósticos mais rápidos. Com o avanço da tecnologia, a Inteligência Artificial (IA) ganhou destaque, mostrando-se uma solução promissora para a análise de dados médicos, especialmente com o uso de Redes Neurais Convolucionais (RNCs), que podem reconhecer padrões em imagens dermatoscópicas e ajudar na classificação de lesões como melanoma ou não melanoma de forma automatizada. Este projeto propõe um comitê de classificadores baseado em Redes Neurais Convolucionais para classificar imagens dermatoscópicas como melanoma ou não melanoma, comparando seu desempenho com arquiteturas validadas, como AlexNet e VGG-16, utilizando técnicas de Transfer Learning. As análises de Precisão, Revocação e Pontuação F1 mostraram que o comitê de Redes Neurais Convolucionais superou os modelos que utilizam técnicas de Transfer Learning, com a AlexNet apresentando desempenho superior à VGG-16. O comitê de Redes Neurais Convolucionais demonstrou uma maior capacidade de generalização, mostrando-se promissor ao capturar as características relevantes das imagens, revelando potencial para aplicações médicas, embora ainda precise ser refinado para atingir padrões clínicos.
Câncer de Pele, Aprendizado de Máquina, Técnicas de Comitês, Redes Neurais Convolucionais, Aprendizado por Transferência.
Para o experimento, foram escolhidas as imagens do arquivo do ISIC Challenge. Foram utilizadas as 2.5331 imagens do conjunto de treinamento do desafio ISIC Challenge 2019, pois possuem a Ground Truth, que é essencial para garantir a precisão e confiabilidade dos dados.
Devido ao tamanho do conjunto de dados, os arquivos contendo as imagens das lesões dermatoscópicas não foram incluídos neste repositório. No entanto, esses arquivos podem ser encontrados na página oficial do desafio: ISIC Challenge 2019 - Training Data. O arquivo com a Ground Truth de treinamento está disponível em src/data/ISIC_2019_Training_GroundTruth.csv, além de poder ser acessado na página oficial do desafio, assim como as imagens.
Ao baixar os arquivos, as imagens devem ser colocadas na pasta src/data/images para que os experimentos possam ser reproduzidos.