Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/33578
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2022_EliasQueirogaVieira_tcc.pdf7,1 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorFerreira, Renan Utida-
dc.contributor.authorVieira, Elias Queiroga-
dc.identifier.citationVIEIRA, Elias Queiroga. Comparação entre diferentes modelos de redes neurais convolucionais para classificação de melanoma. 2022. 82 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica) — Universidade de Brasília, Brasília, 2022.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Faculdade UnB Gama, 2022.pt_BR
dc.description.abstractO câncer de pele é o mais comum no Brasil atualmente, correspondendo a cerca de 30% dos tumores malignos encontrados. O melanoma é um câncer de pele incomum que constitui apenas 3% das neoplasias de pele. Entretanto, o melanoma tem alta possibilidade de atingir metástase por ser bastante agressivo e de evolução rápida, sendo considerado ocâncer de pele mais grave e com pior prognóstico se não for identificado cedo. Com o passar dos anos foram surgindo novas técnicas dermatológicas para diagnóstico do câncer de pele, uma delas é o diagnóstico auxiliado por computador. Atualmente, com o avanço do poder computacional e das inovações em aprendizado de máquina, já é bastante comum o estudo de redes neurais para classificação de melanoma, principalmente o uso de redes neurais convolucionais. Este trabalho tem como objetivo comparar o estado da arte das redes neurais convolucionais no que diz respeito à classificação de melanomas. Foi utilizada a arquitetura EfficientNet-B7, treinada e testada com os conjuntos de dados ISIC 2019 e ISIC 2020, e feita a comparação com as redes EfficientNet-B4, EfficientNet-B5, EfficientNet-B6e DenseNet201, que também utilizaram o mesmo conjunto de dados para treinamento e teste. Toda a implementação do trabalho foi feita usando a plataforma online Kaggle, utilizando Python e as bibliotecas TensorFlow e Keras. A EfficientNet-B7 obteve pontuação AUC de 0.9467, que foi gerada a partir do ensemble de todos os modelos treinados, com-parados com a pontuação da DenseNet201 de 0.9250 e da EfficientNet-B5+B6 de 0.9411,o que demonstra a eficiência e capacidade da EfficientNet-B7 em classificar o melanoma em imagens dermatoscópicas de lesões de pele.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordRedes neurais (Computação)pt_BR
dc.subject.keywordRedes neurais convolucionais (Computação)pt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.subject.keywordMelanomapt_BR
dc.titleComparação entre diferentes modelos de redes neurais convolucionais para classificação de melanomapt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2023-02-15T20:40:56Z-
dc.date.available2023-02-15T20:40:56Z-
dc.date.submitted2022-05-11-
dc.identifier.urihttps://bdm.unb.br/handle/10483/33578-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1Skin cancer is currently the most common in Brazil, corresponding to about 30% of malignant tumors found. Melanoma is an uncommon skin cancer that constitutes only3% of skin neoplasms. However, melanoma has a high possibility of metastasis because it is very aggressive and has a rapid evolution, being considered the most serious skin cancer and with the worst prognosis if it is not identified early. Over the years, new dermatological techniques for the diagnosis of skin cancer have emerged, one of which is computer-aided diagnosis. Currently, with the advance of computational power and innovations in machine learning, the study of neural networks for melanoma classification is quite common, especially the use of convolutional neural networks. This work aims to compare the state of the art of convolutional neural networks regarding the classification of melanomas. The EfficientNet-B7 architecture was used, trained and tested with theISIC 2019 and ISIC 2020 datasets, and a comparison was made with the EfficientNet-B4,EfficientNet-B5, EfficientNet-B6 and DenseNet201 networks, which also used the same datasets for training and testing. The entire implementation of the work was done using the online platform Kaggle, Python was used along with TensorFlow and Keras libraries. EfficientNet-B7 had an AUC score of 0.9467, which was generated from the ensemble of all trained models, compared to the DenseNet201 score of 0.9250 and the EfficientNet B5+B6 score of 0.9411, which demonstrates the efficiency and capacity of the EfficientNet-B7 in classifying melanoma in dermoscopic images of skin lesions.pt_BR
Aparece na Coleção:Engenharia Eletrônica



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.