UMA ABORDAGEM DE CLASSIFICAÇÃO DE CÂNCER DE PELE USANDO GAN E MECANISMO DE ATENÇÃO BASEADO EM ROI
Redes neurais convolucionais. CNN. Câncer de Pele. Redes generativas adversárias. GAN.
O câncer de pele é um problema de saúde mundial, tratando-se do tipo de câncer mais comum, sendo dividido em duas categorias, o câncer não melanoma, mais comum e menos letal, e o câncer melanoma, menos comum, porém, com uma grande taxa de mortalidade. O diagnóstico precoce é a melhor forma de combate ao câncer de pele, evitando métodos invasivos no câncer de pele não melanoma e aumentando a taxa de cura e a sobrevida no caso do câncer do tipo melanoma. Diversas técnicas de visão computacional estão sendo empregadas na área médica, a fim de auxiliar os profissionais com diagnóstico, recomendação de tratamento, entre outros. Um desses métodos é o uso de redes neurais convolucionais, também chamadas pela sigla CNN, para a classificação de imagens de lesões e tumores, com estudos demonstrando uma capacidade de acerto até maior que de médicos treinados. Entretanto, alguns problemas são encontrados quando se trata da classificação de imagens de lesão de pele, como o desbalanceamento do conjunto de imagens. Para isso, podem ser usadas diversas técnicas para a geração de imagens a fim de balancear o conjunto, porém, uma que tem ganhado destaque é o uso de redes generativas adversárias, também chamadas pela sigla GAN, que são capazes de gerar imagens sintéticas com alta qualidade baseado em um conjunto previamente usado em um processo de treinamento. Este trabalho tem como objetivo buscar métodos que levem a um aumento no desempenho de redes CNN para a classificação de lesão de pele. Para isso, este trabalho propõe uma arquitetura CNN baseada na rede EfficientNetB0, denominada EfficientAttentionNet, para classificação de lesões cutâneas, especificamente melanoma e não melanoma. Em primeiro lugar, o conjunto de dados da imagem original, da International Society for Digital Skin Imaging (ISDIS), é pré-processado para eliminar os pelos ao redor da lesão cutânea. Posteriormente, um modelo GAN gerou imagens sintéticas para equilibrar o número de amostras por classe no conjunto de treinamento. Um modelo U-net é usado para criar máscaras com a região de interesse da imagem. Finalmente, é apresentado o modelo EfficientAttentionNet proposto para classificar o câncer de pele usando mecanismos de atenção com a máscara. Os resultados mostraram que o modelo de classificação proposto atingiu resultados de alto desempenho, obtendo acurácia de 0,979, precisão de 0,945, recall de 0,995 e ROCAUC de 0,976, servindo como referência para pesquisas na área de classificação de lesões cutâneas.