Combining heterogeneous data and deep learning models for skin cancer detection

Página do item simplificado
dc.contributor.advisor1Krohling, Renato Antonio
dc.contributor.advisor1IDhttps://orcid.org/0000-0001-8861-4274
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5300435085221378
dc.contributor.authorPacheco, André Georghton Cardoso
dc.contributor.authorIDhttps://orcid.org/0000-0003-0117-9308
dc.contributor.authorLatteshttp://lattes.cnpq.br/8898143425329967
dc.contributor.referee1Mota, Vinícius Fernandes Soares
dc.contributor.referee1IDhttps://orcid.org/0000-0002-8341-8183
dc.contributor.referee1Latteshttp://lattes.cnpq.br/9305955394665920
dc.contributor.referee2Cavalieri, Daniel Cruz
dc.contributor.referee2IDhttps://orcid.org/0000-0002-4916-1863
dc.contributor.referee2Latteshttp://lattes.cnpq.br/9583314331960942
dc.contributor.referee3Papa, João Paulo
dc.contributor.referee3IDhttps://orcid.org/0000-0002-6494-7514
dc.contributor.referee3Latteshttp://lattes.cnpq.br/9039182932747194
dc.contributor.referee4Santos, Celso Alberto Saibel
dc.contributor.referee4IDhttps://orcid.org/0000000232875843
dc.contributor.referee4Latteshttp://lattes.cnpq.br/7614206164174151
dc.date.accessioned2024-05-30T00:49:10Z
dc.date.available2024-05-30T00:49:10Z
dc.date.issued2020-11-12
dc.description.abstractCurrently, Deep Neural Networks (DNN) are the most successful and common methodologies to tackle medical image analysis. Despite the success, applying Deep Learning for these types of problems involves several challenges such as the lack of large training datasets, data variance, and noise sensitivity. In this thesis, our main focus is on proposing solutions to assist Deep Learning models to deal with these issues when they are applied to medical (clinical) image problems, in particular for skin cancer detection. Basically, we work on two main topics: data classification using images and context meta-data and dynamic weighting for an ensemble of deep models. First, we propose two methods to combine images and meta-data; one method is based on features concatenation that uses a mechanism to balance the contribution of each source of data; the second method, named Meta-data Processing Block (MetaBlock), uses meta-data to support the classification by identifying the most relevant features extracted from the images. Next, we propose an approach, based on a Dirichlet distribution and Mahalanobis distance, to learn dynamic weights for an ensemble of deep models. The learned weights are used to reduce the impact of weak models on the aggregation operator and to online select models from the ensemble. All these methods are evaluated in well-known image classification datasets in different experiments. Results show that the proposed methods are competitive with other approaches that deal with the same problems. Lastly, we carry out a case study using a new skin lesion dataset – composed of clinical images collected from smartphones and patient demographics – collected in partnership with the Dermatological and Surgical Assistance Program of the Federal University of Espírito Santo. Results achieved using this dataset are comparable to other recent performance reported in the literature, which shows that the proposed algorithms are viable to deal with skin cancer detection.
dc.description.resumoAtualmente, as Redes Neurais Profundas (RNP) são os modelos que apresentam os melhores resultados para lidar com a análise de imagens médicas. Apesar do sucesso, a aplicação de Aprendizado Profundo para esses tipos de problemas apresenta vários desafios, como a falta de grandes conjuntos de dados de treinamento, variação de dados e sensibilidade ao ruído. O foco principal deste trabalho é propor soluções para auxiliar os modelos de Aprendizado Profundo a lidar com esses desafios quando aplicados a problemas que lidam com imagens (clínicas) médicas, em particular a detecção de câncer de pele. De maneira geral, as propostas são feitas em dois tópicos principais: classificação de dados utilizando imagens e metadados do contexto e ponderação dinâmica para um conjunto de modelos profundos. Primeiro, foi proposto dois métodos para combinar imagens e metadados; um método é baseado na concatenação de atributos que utiliza um mecanismo para equilibrar a contribuição de cada fonte de dados; o segundo método, denominado Bloco de Processamento de Metadados (MetaBlock), utiliza os metadados para apoiar a classificação, identificando os atributos mais importantes extraídos das imagens. Em seguida, propomos uma abordagem, baseada na distribuição de Dirichlet e na distância de Mahalanobis, para aprender dinamicamente os pesos para um conjunto de modelos profundos. Esses pesos são utilizados para reduzir o impacto de modelos ruins no operador de agregação e para selecionar modelos do conjunto de maneira online. Todos os métodos propostos são avaliados em diferentes bases de dados de classificação considerando diferentes experimentos. Os resultados obtidos mostram que os métodos propostos são competitivos com outras abordagens que lidam com os mesmos problemas. Por fim, é realizado um estudo de caso utilizando uma nova base de dados de lesões de pele - composta por imagens clínicas coletadas via smartphones e informações clínicas dos pacientes - coletados em parceria com o Programa de Assistência Dermatológica e Cirúrgica (PAD) da Universidade Federal do Espírito Santo (UFES). O desempenho obtido para essa base de dados é comparável com outros resultados recentemente reportados na literatura, o que indica que os algoritmos propostos são viáveis para lidar com detecção de câncer de pele.
dc.description.sponsorshipFundação Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/14433
dc.languagepor
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseDoutorado em Ciência da Computação
dc.publisher.departmentCentro Tecnológico
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Informática
dc.rightsopen access
dc.subjectDeep Learning
dc.subjectData Aggregation
dc.subjectEnsemble of Deep Models
dc.subjectConvolutional Neural Networks
dc.subjectImage Classification
dc.subjectSkin Cancer Detection
dc.subject.br-rjbnsubject.br-rjbn
dc.subject.cnpqCiência da Computação
dc.titleCombining heterogeneous data and deep learning models for skin cancer detection
dc.title.alternativeCombining heterogeneous data and deep learning models for skin cancer detection
dc.typedoctoralThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
AndreGeorghtonCardosoPacheco-2020-tese.pdf
Tamanho:
15.52 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Doutorado em Ciência da Computação