C. Rocha, L. Maia, G. Junior, J. Almeida, A. Paiva
{"title":"Otimização de CNN aplicada ao Diagnóstico de Melanoma","authors":"C. Rocha, L. Maia, G. Junior, J. Almeida, A. Paiva","doi":"10.5753/SBCAS.2019.6272","DOIUrl":null,"url":null,"abstract":"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.","PeriodicalId":229405,"journal":{"name":"Anais do Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2019)","volume":"53 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2019-06-11","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Anais do Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2019)","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.5753/SBCAS.2019.6272","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
Abstract
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.