Análise de lesões cutâneas para detecção de melanoma: explorando o potencial da visão computacional
DOI:
https://doi.org/10.21439/conexoes.v18i0.3463Palavras-chave:
Diagnóstico, Melanoma, Segmentação, Imagens, ClassificaçãoResumo
O melanoma é uma doença que acomete pessoas no mundo inteiro, ocorrendo quando as células responsáveis pela pigmentação da pele tornam-se cancerígenas. O intuito deste estudo é examinar o desempenho de algoritmos de segmentação de imagens como, Otsu, Watershed, Chan-Vese, de extração de atributos, Gray Level Co-occurrence Matrix, Local Binary Pattern e Structural Co-occurrence Matrix, seguidos de algoritmos de classificação, como Random Forest, K-Nearest Neighbors e MultilayerPerceptron. Nesse sentido, o conjunto de dados PH2 foi utilizado para avaliar as estratégias sugeridas. Os resultados obtidos mostraram taxas de acurácia de 95%, precisão de 96%, revocação de 100%, especificidade de 92% e score-F1 de 95%, o que indica a efetividade dessas abordagens na identificação do melanoma. Esses resultados fornecem informações relevantes para futuras pesquisas e aplicações clínicas no campo do diagnóstico assistido por computador.Referências
ABIRAMI, S.; CHITRA, P. Energy-efficient edge based real-time healthcare support system. In: Advances in computers. [S.l.]: Elsevier, 2020. v. 117, n. 1, p. 339–368.
ALFED, N.; KHELIFI, F.; BOURIDANE, A. Improving a bag of words approach for skin cancer detection in dermoscopic images. In: IEEE. 2016 International Conference on Control, Decision and Information Technologies (CoDIT). [S.l.], 2016. p. 24–27.
BECHELLI, S.; DELHOMMELLE, J. Machine learning and deep learning algorithms for skin cancer classification from dermoscopic images. Bioengineering, v. 9, n. 3, p. 97, 2022.
BERGSTRA, J.; BENGIO, Y. Random search for hyper-parameter optimization. In: Journal of Machine Learning Research. [S.l.]: JMLR.org, 2012. v. 13, p. 281–305.
SHAN, P.; WANG, Y.; FU, C.; SONG, W.; CHEN, J. Automatic skin lesion segmentation based on fc-dpn. Computers in Biology and Medicine, Elsevier, v. 123, p. 103762, 2020. ISSN 0010-4825. Disponível em: <https://www.sciencedirect.com/science/article/pii/ S0010482520301372>.
SULTANA, N. N. et al. Deep residual network with regularised fisher framework for detection of melanoma. IET Computer Vision, v. 12, n. 8, p. 1096–1104, 2018.
VINCENT, L.; SOILLE, P. Watersheds in digital spaces: An efficient algorithm based on immersion simulations. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 13, n. 6, p. 583–598, 1991.
WANG, D.-f.; YANG, X.-y.; WEI, Y.-r.; LI, J.-j.; BOLATI, H.; MENG, X.-x.; TUERXUN, G.; NUERDAN, N.; WU, J.-y. Genome characterization of the caprine arthritis-encephalitis virus in china: A retrospective genomic analysis of the earliest chinese isolates. Journal of Integrative Agriculture, v. 22, n. 3, p. 872–880, 2023.
YAN, Z.; XU, C. Combining KNN algorithm and other classifiers. In: 9th IEEE International Conference on Cognitive Informatics (ICCI’10). [S.l.: s.n.], 2010. p. 800–805.
ÜNVER, H. M.; AYAN, E. Skin lesion segmentation in dermoscopic images with combination of yolo and grabcut algorithm. Diagnostics, v. 9, n. 3, 2019. ISSN 2075-4418. Disponível em: <https://www.mdpi.com/2075-4418/9/3/72>.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Caio Damasceno Silva, Rhyan Ximenes de Brito, Mateus Alves Vieira Neto, Saulo Anderson Freitas de Oliveira, Janaide Nogueira de Sousa Ximenes
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Os autores que publicam na Revista Conexões: Ciência e Tecnologia concordam com os seguintes termos: Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho licenciado sob uma licença Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0 Internacional (CC BY -NC-SA 4.0) . Nossos artigos estão disponíveis gratuitamente e gratuitamente, com privilégios para atividades educacionais, pesqueiras e não comerciais.
