Use este identificador para citar ou linkar para este item: https://repository.ufrpe.br/handle/123456789/4180
Título: Uma abordagem para o suporte ao diagnóstico de melanoma por imagem via comitês de autoencoders
Autor: Silva, Evele Kelle Lemos
Orientador: Soares, Rodrigo Gabriel Ferreira
Endereco Lattes do orientador : http://lattes.cnpq.br/2526739219416964
Palavras-chave: Câncer de pele;Melanoma;Aprendizado do computador;Diagnóstico por imagem
Data do documento: 17-Dez-2021
Citação: SILVA, Evele Kelle Lemos. Uma abordagem para o suporte ao diagnóstico de melanoma por imagem via comitês de autoencoders. 2021. 51 f. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) – Departamento de Estatística e Informática, Universidade Federal Rural de Pernambuco, Recife, 2021.
Abstract: Skin cancer is the most common type of cancer in Brazil, representing about 33% of cases of malignant neoplasms in the country. Melanoma is a type of skin cancer that represents only 3% of cancer cases in the organ, but it is considered the most offensive due to high possibility of metastasis, which is the spread of cancer to other organs. Although melanoma is considered the main fatal skin disease, the introduction of new drugs combined with the detection of the tumor in early stages have contributed to positive prognosis. Through the ABCDEs rule of melanoma, it is possible to identify melanoma by watching some characteristics present in the lesion, however, the identification of melanoma through observation is often a failure, especially when it comes from an inexperienced doctor. Therefore, this work aims to select and use Machine Learning techniques to propose a model that can help dermatologists to identify skin lesions through dermoscopic images, serving as a second opinion to say if it is or it is not melanoma. The proposed model was compared with techniques widely used in the literature for solving complex problems, with the objective of presenting superior performance. Using Precision and Recall, the proposed model proved to be comparable to the others, although it had access to only 0,1% of the dimensions of the image, which indicates that the model worked well on finding the characteristics that discriminate skin lesions.
Resumo: O câncer de pele é o tipo de câncer mais comum no Brasil, representando cerca de 33% dos casos de neoplasias malignas no país. O Melanoma é um tipo de câncer de pele que representa somente 3% dos casos de câncer no órgão, mas é considerado o mais ofensivo devido à sua alta possibilidade de metástase, que se trata da disseminação do câncer para outros órgãos. Embora o melanoma seja considerado a principal doença fatal da pele, a introdução de novos medicamentos juntamente com a detecção do tumor em seus estágios iniciais, têm contribuído para prognósticos positivos. Através da regra ABCDE, é possível perceber o melanoma por meio de características presentes na lesão, no entanto, a identificação do melanoma por meio da observação muitas vezes é falha, principalmente quando se trata de um médico ainda inexperiente. Diante disto, este trabalho tem como objetivo de selecionar e utilizar técnicas de Aprendizado de Máquina para propor um modelo que possa auxiliar médicos dermatologistas na identificação de lesões da pele através de imagens dermatoscópicas, servindo como uma segunda opinião sobre se tratar ou não de melanoma. O modelo proposto foi comparado com técnicas amplamente utilizadas na literatura para resolução de problemas complexos, com o objetivo de apresentar um desempenho superior. Utilizando a Precisão e Revocação o modelo proposto se mostrou equiparável aos demais, embora tenha tido acesso a somente 0,1% das dimensões da imagem, o que indica que o modelo trabalhou bem ao encontrar as características que discriminam as lesões da pele.
URI: https://repository.ufrpe.br/handle/123456789/4180
Aparece nas coleções:TCC - Bacharelado em Sistemas da Informação (Sede)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
tcc_evelekellelemossilva.pdf1,5 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.