Escolar Documentos
Profissional Documentos
Cultura Documentos
Arthur M. Ferraz
1 Introdução
2 Problema
O desafio ISIC 2018 consistiu em três distintas tarefas essenciais para a detecção
de câncer de pele: classificações de lesões, extração de características úteis e
segmentação da lesão [10]. Em especial para esse trabalho a tarefa escolhida foi
a de classificação.
A base utilizada está disponível em [11] e está descrita em [12]. As imagens
estão classificadas entre sete tipos distintos de lesões de pele. As proporções de
cada classe estão exibidas na Tabela 1. Logo de início já é possível perceber o
grande desbalanceamento das classes, isso será uma questão importante em todo
decorrer desse trabalho.
3 Propostas de Solução
Redes neurais convolucionais [8] estão entre as soluções mais consolidadas para
diversos problemas de visão computacional. Esse tipo de técnica vem sido larga-
mente utilizada em aplicações na área da saúde, principalmente auxiliando na
avaliação de exame médicos [18].
Dentre os mais recentes avanços arquiteturais em relação às redes neurais
convolucionais, podemos citar as arquiteturas Resnet [16] e Densenet [17]. As
redes Resnet procuram resolver o problema da acurácia de teste degradada, que
ocorre ao construirmos redes muito profundas. Nessa formulação existem ata-
lhos entre a camadas, de forma que existe uma conexão direta entre as camadas
um e três, por exemplo. Nas redes Resnet, os atalhos ocorrem apenas ultrapas-
sando uma camada. Já nas redes Densenet existem atalhos de uma camada para
qualquer outra mais profunda.
Algumas propostas surgem em relação ao tratamento de bases desbalance-
adas [13,14,15]. Podemos citar o uso de técnicas de Oversampling, que visam
aumentar o número de exemplos de classe minoritária, ou Undersampling, que
visam diminuir o número de exemplos da classe minoritária.
Outro forma de tratar bases desbalanceadas está relacionada a função de
perda da rede neural. A técnica consiste em colocar pesos diferentes para dife-
rentes classes na função de perda, de forma a dar mais peso ao erro de classes
minoritárias.
Outra questão a ser tratada é se o número de amostras da base é suficiente
para treinar uma rede inteiramente nova. De forma geral, obtêm-se melhores
resultados realizando Fine Tuning de uma rede pré-treinada [19], portanto essa
tática foi adotado.
Por fim, a estratégia proposta de resolução para o problema consistiu em
utilizar o framework PyTorch [20] para realizar o Fine Tuning de redes pré-
treinados com ImageNet. O script base para os experimentos pode ser encontrado
em [21].
4 Resultados Experimentais
Acurácia de treinamento e validação para Densenet Acurácia de treinamento e validação para Resnet
1.0 1.0
Validação Validação
Treinamento Treinamento
0.9 0.9
0.8 0.8
Acurácia
Acurácia
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
1 6 11 16 21 26 31 36 41 46 1 6 11 16 21 26 31 36 41 46
Iterações Iterações
0
2.4
1
1
1.8
1.8
2
2
CLasse real
CLasse real
1.2
1.2
3
3
0.6 0.6
4
4
5
5
0.0 0.0
6
6
0 1 2 3 4 5 6 0 1 2 3 4 5 6
Classe predita Classe predita
2.4
0
1.8
1
1.8
1
2
1.2
CLasse real
2
3
CLasse real
1.2
0.6
3
4
0.6
4
0.0
5
0.0
6
0.6
0 1 2 3 4 5 6
6
Classe predita
0 1 2 3 4 5 6
Classe predita
0
1
1.8
2
CLasse real
1.2
3
0.6
4
5
0.0
6
0 1 2 3 4 5 6
Classe predita
f 1 2 3 4 5 6 7 8
Acurácia 0.822777 0.767582 0.804395 0.772759 0.823607 0.779684 0.835500 0.833396
5 Conclusão
Além disso, esse problema uniu duas questões que costumam ser difíceis
de serem tratadas. Uma base desbalanceada e uma classificação não-binária,
trazendo maior desafio à sua resolução de forma eficiente.
Referências
14. Katherine M. L., Evelyn C. L., Skin Lesion Analysis Towards Melanoma Detec-
tion via End-to-end Deep Learning of Convolutional Neural Networks, ISIC 2018
CHALLENGE: LESION DIAGNOSIS.
15. Nozdryn-Plotnicki A., Yap J., Yolland W., Ensembling Convolutional Neural
Networks for Skin Cancer Classification, ISIC 2018 CHALLENGE: LESION DI-
AGNOSIS.
16. He K., Zhang X., Ren S., Sun J., Deep Residual Learning for Image Recognition,
The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016,
pp. 770-778
17. Huang G., Liu Z., Maaten L., Weinberger K. Q., Densely Connected Convolutional
Networks, IEEE Conference on Pattern Recognition and Computer Vision (CVPR),
2017.
18. Litjens G., Kooi T., Bejnordi , B.E., Setio, A.A.A., Ciompi, F., Ghafoorian M,
Laak, J.A.W.M., Ginneken, B., Sánchez, C.I., A survey on deep learning in medical
image analysis, Medical Image Analysis vol. 42, 2017, pp. 60-88
19. Tajbakhsh N., Shin, J.Y., Gurudu S.R., Hurst, R.T., Convolutional Neural
Networks for Medical Image Analysis: Full Training or Fine Tuning? IEEE Tran-
sactions on Medical Imaging vol. 35 (2016), pp. 1299-1312
20. PyTorch Website, https://pytorch.org/, Último acesso em 19 Nov. 2018.
21. Finetuning Torchvision Models, https://pytorch.org/tutorials/beginner/finetuningt orchvisionm odelst utorial.html.l