Melanoma classification with neural networks using an unbalanced dataset of skin lesion images

Página do item simplificado
dc.contributor.advisor-co1MÜLLER, Ana Carolina Quintão Siravenha
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/4383482501456728pt_BR
dc.contributor.advisor-co1ORCIDhttps://orcid.org/0000-0001-6664-9847pt_BR
dc.contributor.advisor1RAMALHO, Leonardo Lira
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/7565458988876048pt_BR
dc.contributor.advisor1ORCIDhttps://orcid.org/0000-0003-3165-1941pt_BR
dc.creatorKLAUTAU, Sofia Pinheiro
dc.creator.Latteshttp://lattes.cnpq.br/1127945495468986pt_BR
dc.date.accessioned2025-01-15T15:48:36Z
dc.date.available2025-01-15T15:48:36Z
dc.date.issued2023-07-17
dc.description.abstractThe applications of Artificial Intelligence (AI) in various fields are extensive and have the potential to revolutionize various aspects of modern healthcare, for example, demonstrating promising advances in improving the accuracy and efficiency of skin cancer detection and classification. This area of study is of significant importance as it seeks to improve early identification and diagnosis of skin cancer, positively impacting patient outcomes and treatment strategies. This work describes a study carried out on the use of unbalanced datasets for the classification of images of skin cancer lesions using Artificial Neural Networks, more specifically, a dataset that has over 98% of samples belonging to the negative class. Three strategies were applied to try to mitigate the difficulties caused by the large difference in the number of images in each class, in this case, lesions that are melanoma and lesions that are not melanoma: reducing the number of samples in the dataset to balance it, applying data augmentation and applying class weights. In addition, methods for optimizing the training process of a Convolutional Neural Network are successfully applied to automate the hyperparameters selection process and the training time of models that use large neural networks as feature extractors is reduced because of it. The data augmentation and class weights adopted in this work helped the training procedure but were not enough to produce a large improvement in performance, but the latter method was applied in the best result obtained.pt_BR
dc.description.resumoAs aplicações de Inteligência Artificial (IA) em vários campos são extensas e têm o potencial de revolucionar vários aspectos da saúde moderna, por exemplo, demonstrando avanços promissores na melhoria da precisão e eficiência da detecção e classificação do câncer de pele. Esta área de estudo é de grande importância, pois busca melhorar a identificação e o diagnóstico precoce do câncer de pele, impactando positivamente os resultados dos pacientes e as estratégias de tratamento. Este trabalho descreve um estudo realizado sobre o uso de conjuntos de dados desbalanceados para a classificação de imagens de lesões de câncer de pele usando Redes Neurais Artificiais, mais especificamente, um conjunto de dados que possui mais de 98% de amostras pertencentes à classe negativa. Três estratégias foram aplicadas para tentar mitigar as dificuldades causadas pela grande diferença no número de imagens em cada classe, no caso, lesões que são melanoma e lesões que não são melanoma: reduzir o número de amostras no conjunto de dados para equilibrá-lo , aplicando aumento de dados e aplicando pesos de classe. Além disso, métodos para otimizar o processo de treinamento de uma Rede Neural Convolucional são aplicados com sucesso para automatizar o processo de seleção de hiperparâmetros e o tempo de treinamento de modelos que usam grandes redes neurais como extratores de características é reduzido por causa disso. O aumento de dados e pesos de classe adotados neste trabalho ajudaram no procedimento de treinamento, mas não foram suficientes para produzir uma grande melhoria no desempenho, porém o último método foi aplicado no melhor resultado obtidopt_BR
dc.identifier.citationKLAUTAU, Sofia Pinheiro. Melanoma classification with neural networks using an unbalanced dataset of skin lesion images. Orientador: Leonardo Lira Ramalho. 2023. 63 f. Trabalho de Curso (Bacharelado em Engenharia Elétrica e Biomédica) – Faculdade de Engenharia Elétrica e Biomédica, Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2023. Disponível em: https://bdm.ufpa.br/jspui/handle/prefix/7619. Acesso em:.pt_BR
dc.identifier.urihttps://bdm.ufpa.br/jspui/handle/prefix/7619
dc.rightsAcesso Abertopt_BR
dc.source.uriDisponível na internet via correio eletrônico: bibliotecaitec@ufpa.brpt_BR
dc.subjectMachine Learning, , , , , .pt_BR
dc.subjectDataset desbalanceadopt_BR
dc.subjectCâncer de pelept_BR
dc.subjectMelanomapt_BR
dc.subjectOtimizaçãopt_BR
dc.subjectClassificação de imagenspt_BR
dc.subjectSkin cancer lesionpt_BR
dc.subjectUnbalanced datasetpt_BR
dc.subjectMelanomapt_BR
dc.subjectOptimizationpt_BR
dc.subjectImage classificationpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICApt_BR
dc.titleMelanoma classification with neural networks using an unbalanced dataset of skin lesion imagespt_BR
dc.typeTrabalho de Curso - Graduação - Monografiapt_BR

Arquivo(s)

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TC_MelanomaClassficationNeural.pdf
Tamanho:
1.58 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.84 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Aparece na Coleção

Faculdade de Engenharia Elétrica e Biomédica - FEEB/ITEC
Logo do RepositórioLogo do Repositório