Estudo comparativo de modelos de deep learning para classificação de lesões cutâneas
| dc.contributor.advisor | Oliveira, Ivan Carlos Alcântara de | |
| dc.contributor.author | Carrera, Augusto Esteves | |
| dc.contributor.author | Almeida, Gabriel Marques G. | |
| dc.date.accessioned | 2025-03-15T16:51:10Z | |
| dc.date.available | 2025-03-15T16:51:10Z | |
| dc.date.issued | 2024-12-08 | |
| dc.description | Indicado para publicação. | |
| dc.description.abstract | Melanoma, um tipo de câncer de pele originado nos melanócitos, é mais prevalente entre adultos de pele branca, representando 4% das neoplasias malignas no Brasil.Avanços recentes, como a dermatoscopia e os medicamentos imunoterápicos, têm contribuído significativamente para a melhora da sobrevida dos pacientes, reforçando a importância da detecção precoce. Este estudo propõe uma análise comparativa de modelos de deep learning, AlexNet, VGG16 e ResNet50, para a classificação de lesões cutâneas benignas e malignas, utilizando um dataset desbalanceado extraído do ISIC Archive. Métodos de data augmentation e undersampling foram aplicados para avaliar seu impacto no desempenho dos modelos. Entre os experimentos realizados, o modelo ResNet50, treinado sem data augmentation e com o dataset desbalanceado, obteve o melhor desempenho, com 88% de acurácia. No entanto, esse resultado foi influenciado pela predominância de uma "superclasse", que representa 63% das imagens do dataset.Além disso, foi desenvolvida uma aplicação em Flask para auxiliar na previsão do tipo de câncer de pele, classificando as lesões em cinco categorias. | |
| dc.description.abstract | Melanoma, a type of skin cancer originating in melanocytes, is more prevalent among white-skinned adults, accounting for 4% of malignant neoplasms in Brazil. Recent advances, such as dermatoscopy and immunotherapy drugs, have significantly improved patient survival rates, highlighting the importance of early detection. This study pro poses a comparative analysis of deep learning models, including AlexNet, VGG16, and ResNet50, for the classification of benign and malignant skin lesions using an imbalanced dataset extracted from the ISIC Archive. Data augmentation and under sampling methods were applied to evaluate their impact on model performance. Among the experiments conducted, the ResNet50 model trained without data augmentation and using the imbalanced dataset achieved the best performance, with 88% accuracy. However, this result was influenced by the predominance of a superclass, representing 63% of the dataset images. Additionally, a Flask application was developed to assist in predicting the type of skin cancer, classifying lesions into five categories. | |
| dc.identifier.uri | https://dspace.mackenzie.br/handle/10899/40148 | |
| dc.language | pt_BR | |
| dc.publisher | Universidade Presbiteriana Mackenzie | |
| dc.subject | aprendizado profundo | |
| dc.subject | câncer de pele | |
| dc.subject | detecção de imagem | |
| dc.subject | classificação | |
| dc.subject | deep learning | |
| dc.subject | skin cancer | |
| dc.subject | image detection | |
| dc.subject | classification | |
| dc.title | Estudo comparativo de modelos de deep learning para classificação de lesões cutâneas | |
| dc.type | TCC | |
| local.publisher.department | Faculdade de Computação e Informática (FCI) |