Escolar Documentos
Profissional Documentos
Cultura Documentos
Artigo original
Ambiente de saúde habilitado para IoT usando modelo inteligente de diagnóstico de lesões
cutâneas habilitado para aprendizagem profunda
Yousef Asiri a,*, Hanan T. Halawani a,*, Abeer D. Algarni b , Adwan A. Alanazi c
a
Departamento de Ciência da Computação, Faculdade de Ciência da Computação e Sistemas de Informação, Universidade Najran, Najran 61441, Arábia Saudita
b
Departamento de Tecnologia da Informação, Faculdade de Ciências da Computação e da Informação, Universidade Princesa Nourah bint Abdulrahman, PO Box 84428, Riyadh 11671,
Arábia Saudita
c
Departamento de Ciência da Computação, Faculdade de Ciência e Engenharia da Computação, Universidade de Hail, Hail, Arábia Saudita
Palavras-chave: O câncer de pele melanoma é uma doença de ampla ocorrência em todo o mundo e é necessário para identificar a doença nos estágios
Assistência médica
iniciais. Tecnologias recentes como a Internet das Coisas (IoT) têm como objetivo projetar sistemas de saúde eficientes.
Inteligência artificial
Além disso, a aprendizagem profunda e a aprendizagem por transferência são cada vez mais importantes nos diagnósticos de saúde de
Classificação de lesões cutâneas
diversas doenças. Este estudo se concentra no design do modelo de Internet das Coisas Inteligente com Diagnóstico de Lesões de Pele
Internet das Coisas
Habilitado por Aprendizado Profundo (IIoT-DLSLD) para ambiente de saúde. A técnica IIoT-DLSLD proposta permite que os dispositivos IoT
Aprendizado profundo
Segmentação da lesão
capturem as imagens dermatoscópicas e classifiquem as lesões cutâneas em rótulos de classes distintas. Além disso, a técnica IIoT-DLSLD
emprega técnica de pré-processamento baseada em filtragem gaussiana (GF) para erradicar a presença de ruído. Além disso, o algoritmo
Otsu limiar com otimização de enxame de deglutição (OT-SSO) é empregado para segmentação de lesões cutâneas. Para classificação de
lesões de pele, é utilizada a extração de recursos baseada em MobileNet v2 e a rede neural wavelet profunda (DWNN) baseada no otimizador
de pinguim imperador (EPO). A validação experimental da técnica IIoT-DLSLD ocorreu contra o conjunto de dados ISIC e os resultados
retrataram a melhoria do algoritmo IIoT-DLSLD em relação aos outros classificadores de lesões cutâneas do estado da arte.
1. Introdução foi apresentada uma estrutura que se concentra em fornecer monitoramento e diagnóstico
inteligente, em tempo real, de baixo custo e de doenças de pele.
A indústria médica é considerada um campo importante por contribuir para o Uma análise visual feita por um médico das regiões suspeitas da pele é o estágio
desenvolvimento e crescimento de todos os países. A falta de serviços fundamentais, a inicial na detecção de um câncer maligno. Uma detecção precisa é indispensável, uma
sobrelotação nas zonas rurais e o mau saneamento tornam a população altamente vez que tipos específicos de cancro têm semelhanças; além disso, a precisão do Sistema
suscetível a doenças de pele. Além disso, fatores geográficos como temperatura e Assistido por Computador (CAD) está muito mais próxima dos diagnósticos de
estação do ano afetam a prevalência de doenças de pele. dermatologistas qualificados [3]. Sem usar essas tecnologias, os dermatologistas
O tratamento e análise de doenças de pele é o campo mais importante da saúde, que poderiam identificar o melanoma com uma taxa de precisão de 65–80 por cento [3]. Para
requer muito foco e ainda está em um estágio inicial [1]. Normalmente, em alguns casos, casos suspeitos, imagens dermatoscópicas são captadas por câmeras de maior resolução
as doenças de pele não são consideradas um problema sério e são até ignoradas. para completar a inspeção visual. O filtro é utilizado e a iluminação é controlada no
Quando as doenças da pele não são tratadas adequadamente, causam efeitos colaterais, momento da gravação para diminuir o reflexo da pele e, assim, visualizar a camada
irritação, muitas vezes câncer de pele e desfiguração grave da pele. Os avanços na profunda da pele. Este suporte tecnológico levou a um avanço de 49% no diagnóstico de
tecnologia levam ao rápido desenvolvimento nas áreas de saúde e medicina [2]. Agora, câncer de pele [4]. Eventualmente, a integração de imagens dermatoscópicas e inspeção
a área médica está mais focada em fornecer investimentos em grande escala em serviços visual levou a 75-84 por cento de precisão absoluta para o diagnóstico de melanoma. Há
de diagnóstico de alto nível, facilitando assim o atendimento médico para um grande algum tempo, a classificação de lesões cutâneas tem sido um objetivo do aprendizado
número da população. Uma das tecnologias fortemente sugeridas para permitir o de máquina (ML). A classificação automática da lesão é utilizada no exame médico para
monitoramento remoto de saúde em tempo real é o sistema de monitoramento de saúde auxiliar o médico e permite acesso rápido e acessível ao diagnóstico que salva vidas,
baseado em IoT. Agora, neste estudo, um monitoramento remoto de doenças de pele além do smartphone
* Autores correspondentes.
Endereços de e-mail: yasiri@nu.edu.sa (Y. Asiri), hthalawani@nu.edu.sa (HT Halawani).
https://doi.org/10.1016/j.aej.2023.07.038 Recebido
em 21 de maio de 2023; Recebido de forma revisada em 23 de junho de 2023; Aceito em 15 de julho de 2023.
Disponível online em 21 de julho de 2023.
1110-0168/© 2023 OS AUTORES. Publicado pela Elsevier BV em nome da Faculdade de Engenharia da Universidade de Alexandria. Este é um artigo de acesso aberto sob o título
Licença CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
Machine Translated by Google
aplicação foram empregados fora dos ambientes hospitalares [5]. Este estudo apresenta um sistema IoT inteligente com modelo de diagnóstico de lesões
cutâneas habilitado para aprendizagem profunda (IIoT-DLSLD) para ambiente de saúde.
Muitos pesquisadores adotaram o fluxo de trabalho convencional de ML de segmentação, A técnica IIoT-DLSLD proposta permite que os dispositivos IoT capturem as imagens
pré-processamento (melhoria), classificação e extração de recursos [6]. A exigência de maior dermatoscópicas e emprega técnica de pré-processamento baseada em filtragem gaussiana (GF)
desempenho do sistema CAD é indispensável para o diagnóstico e detecção de lesões. O método para erradicar a presença de ruído. Além disso, o algoritmo Otsu limiar com otimização de
de seleção de recursos (FS) é o objetivo principal para o desenvolvimento de sistemas CAD. enxame de deglutição (OT-SSO) é empregado para segmentação de lesões cutâneas. Além
disso, a extração de recursos baseada no MobileNet v2 e a rede neural wavelet profunda (DWNN)
A seleção mais adequada de recursos leva muito tempo para a detecção automatizada de baseada no otimizador de pinguim imperador (EPO) são utilizadas para classificação do câncer
imagem dermatoscópica pigmentada em 1987 [7]. Da mesma forma, a perda de dados e os erros de pele. A avaliação de desempenho da técnica IIoT-DLSLD é realizada utilizando o conjunto de
têm um grande impacto na taxa de classificação. Por exemplo, resultados de segmentação dados ISIC e os resultados são investigados sob diferentes aspectos.
imprecisos muitas vezes levam a resultados ruins na extração de características e, portanto, a
um desempenho inferior na classificação. A análise computacional e a visão mecânica tornam-
se cada vez mais importantes para a produção de um método eficaz de diagnóstico automatizado
de melanoma [8]. Um sistema CAD correto ajudará dermatologistas e médicos a fazer diagnósticos 2. Trabalhos relacionados
melhores e mais precisos [9]. Vários esquemas de CAD foram diagnosticados por métodos
distintos de classificação, seleção, detecção e extração de fronteiras. Diversas pesquisas têm Adla et al. [11] introduziram um método DL automático usando um sistema CAD baseado em
sido apresentadas: análise e estudo de métodos de processamento de imagens para identificação mecanismo de atenção de classe para classificação e detecção de câncer de pele chamado
de lesões cutâneas; além disso, comparamos o desempenho dos sistemas CAD e de Inteligência DLCAL-SLDC. O objetivo do modelo proposto é classificar e detectar diferentes tipos de lesões
Artificial (IA) com a precisão do diagnóstico de dermatologistas qualificados [10]. cutâneas por meio de imagens dermatoscópicas. No pré-processamento de imagem, foi realizada
redução de ruído baseada em filtragem mediana média e processo de remoção de pêlos baseado
no método de navalha Dull. O método de segmentação baseado em entropia de Tsallis é
Porém, são necessários trabalhos adicionais para reduzir e definir a ambiguidade em sistemas empregado para diagnosticar as regiões infectadas na imagem dermatoscópica. Também,
automáticos de apoio à decisão para melhorar a precisão do diagnóstico.
36
Machine Translated by Google
Extratores de recursos baseados em DLCAL são aplicados para extrair o recurso da lesão nível de poluição, temperatura, umidade e assim por diante. Por meio de um profissional de
segmentada com otimizador Adagrad, CapsNet e CAL. saúde, um paciente de pele entra na van de cuidados de pele inteligente e é registrado. Um
Juyal et al. [12] desenvolveram um novo conceito de dispositivo inteligente de aplicativo foi baixado em seu dispositivo móvel e uma senha e um ID exclusivo foram
monitoramento de pele que permite que pessoas em regiões rurais monitorem remotamente fornecidos ao paciente após o registro. Uma identificação semelhante foi utilizada para
doenças de pele. O modelo apresentado contém técnicas de IoT e IA baseadas em nuvem, garantir o serviço de seguro dos pacientes. Concluído o procedimento de registro, são
nas quais a CNN é utilizada para analisar previsão de doenças e imagens de saúde. concluídos os dados fundamentais e a verificação corporal; O sensor Skincare Van capturou
Pushpa [13] projetou um novo método de diagnóstico automático de câncer de pele baseado a imagem da pele, bem como o valor dos parâmetros da pele. As informações medicinais e
em IoT. O método apresentado inclui uma sequência de procedimentos, viz. pré- o histórico dos pacientes foram coletados e transmitidos para plataformas em nuvem e
processamento baseado em filtragem bilateral, extração de recursos híbridos, aquisição de também os dados dos parâmetros ambientais.
dados com dispositivo IoT, classificação baseada em ELM e segmentação baseada em
cluster K-means. O método HF-ELM descreve o diagnóstico da lesão existente nas imagens
dermatoscópicas.
3.2. Pré-processamento de imagem usando técnica GF
Neste estudo, uma técnica IIoT-DLSLD eficaz foi desenvolvida para diagnóstico de
3.3. Segmentação de imagens usando técnica OT-SSO
lesões cutâneas em ambiente IoT. A técnica IIoT-DLSLD proposta permite que os
dispositivos IoT capturem as imagens dermatoscópicas e classifiquem as lesões cutâneas
Limiar de imagem, a técnica Otsu foi a técnica de processo de limiar de imagem mais
em rótulos de classes distintas. A técnica IIoT-DLSLD proposta abrange diferentes
geralmente utilizada. Para limites de dois níveis, a nova técnica de Otsu é explicada da
subprocessos, nomeadamente aquisição de imagem, segmentação baseada em OT-SSO,
seguinte forma: Primeiramente, é considerada como uma imagem compreendendo N pixels
extração de recursos baseada em MobileNetv2, pré-processamento baseado em GF,
de nível de cinza em 0 a L ÿ 1. A quantidade de i- ésimos pixels de nível de cinza é h(i) , e
otimização de parâmetros baseada em EPO e classificação baseada em DWNN. A Figura
PRi representa a probabilidade de i. Posteriormente, o histograma de nível de cinza da
1 descreve os processos completos do algoritmo IIoT-DLSLD. O funcionamento completo
imagem foi padronizado e determinado na Eq. (4):
deste módulo é apresentado nas subseções a seguir.
oi
PRi = 0 ÿ i ÿ t, t + 1 ÿ i ÿ L ÿ 1 (4)
3.1. Aquisição de imagem N,
37
Machine Translated by Google
1
ÿLÿi=t+1iPRi
partículas: Partículas Líderes (li), Partículas Exploradoras (ej) e Partículas
ÿt i=0iPRi (6)
µ0 = , ÿ1 =
ÿ0 ÿ1
Aimless (oi), tudo isso foi uma preocupação particular do conjunto. A partícula ej
foi responsável por pesquisar o espaço do problema. Esta eficiência de busca
é
Depois de calcular este valor, a variância entre classes ÿ2 B poderia ser implementada sob o controle da quantidade de parâmetros [24]. A
alcançado utilizando na Eq. (7) partícula emprega os seguintes procedimentos para explorar e continuar a direção:
ÿ2B = ÿ2 0 + ÿ2 1 (7)
VHLi+1 = VHLj + ÿHLrand()(ebest ÿ ej) + ÿHLrand()(HLj ÿ ej) (11)
onde ÿ2 e ÿ2 denota as variações de C0 e C1 correspondentemente 0 1
que é determinado como:
Eq. (11) representa o parâmetro do vetor velocidade na direção do líder global
2 2 (GL).
ÿ20 = ÿ0(ÿ0 ÿ ÿT ) , ÿ21 = ÿ1(ÿ1 ÿ ÿT ) (8)
ÿHL= {se ( ej= 0||ebest = 0)ÿ ÿ > 1,5 } (12)
onde ÿT significa toda a intensidade média da nova imagem determinada
como ÿT = ÿ0ÿ0 +ÿ1ÿ1 e ÿ0 + ÿ1 = 1. De acordo com a análise acima, a alteração Eqs. (12), (13) estimar a variável dos coeficientes de aceleração (ÿHL)
entre classes dependente da classificação binária foi determinada utilizando a que influencia diretamente o conhecimento individual de cada partícula.
fórmula:
ÿ rand()ÿei
* if (ei < ebest)&&(ÿHLi)ÿ ei, ebest ÿ= 0
ÿ2B (t ) = máx{ÿ2 B(t)}, 0 ÿ t ÿ L ÿ 1 (9) melhor
Eqs. (4)–(9) são determinados para a questão do limite de dois níveis, também podem 2rand()ÿei
se (ei < ebest)&&(ei > HLi)ÿ ei ÿ= 0 1
ser expandidos simplesmente para limites de imagem de vários níveis com a seguinte escrita: (13)
ÿHL = ÿÿÿÿÿÿÿÿÿÿÿÿÿ
(2ÿei)
* * * melhor
ÿ2B ( t1, 2, ÿ, t nÿ 1 ) = máx{ ÿ2 B(t1, t2, ÿ, tnÿ 1) } t (10) se (ei > ebest)ÿ 1
ÿÿÿÿÿÿÿÿÿÿÿÿÿ (2ÿrand())
1 ÿ t1 < t2 < ÿ < tnÿ 1 < L.
Para determinar o valor ideal de limiar, a técnica SSO é utilizada. A abordagem ÿHL= {se ( ej= 0||ebest = 0)ÿ ÿ > 1,5 } (14)
SSO foi inspirada à medida que o trabalho conjunto das andorinhas e a interface
entre os membros do bando alcançam resultados ótimos. Esta técnica é proposta
de forma metaheurística de acordo com diferentes propriedades das andorinhas
que incluem habilidade de caça, relação social inteligente e vôo rápido. Parece
que esta abordagem era equivalente ao PSO, no entanto, poderia ser uma
característica única que não é iniciada a partir de métodos semelhantes,
envolvendo o emprego de 3 tipos de
38
Machine Translated by Google
ÿ ÿ
rand ( mín.émáx. e)
oi+1 = oi + Rand({ ÿ 1, 1} )*
ÿ ÿ
(16)
1 + rand()
ÿ ÿ
ÿ ÿ
if (ei < ebest)&&(ei > HLi) ÿ2rand()ÿei 1 ei ÿ= 0 3.5. Classificação de imagens usando a técnica EPO-DWNN
ÿHL = (15)
ÿÿÿÿÿÿÿÿÿÿÿÿÿ
(2ÿei)
Eventualmente, a técnica EPO-DWNN é aplicada para atribuir os
HLi
se (ei > ebest)ÿ 1 rótulos de classe apropriados às imagens dermatoscópicas. No momento
da decomposição wavelet, filtros passa-alto e passa-baixo são empregados
ÿÿÿÿÿÿÿÿÿÿÿÿÿ
(2ÿrand())
nas imagens, levando a um total de outras imagens. As imagens obtidas a
Eqs. (14) e (15) calculam o coeficiente de aceleração (ÿHL) que afeta partir dos filtros passa-baixa e passa-alta são conhecidas como
diretamente as capacidades conjuntas de todas as partículas. Na verdade, aproximações. Durante a aproximação, a suavidade da imagem de entrada
esses dois coeficientes de aceleração foram quantificados permitindo que a é enfatizada, enquanto os detalhes das bordas são apontados. No modelo
posição de todas as partículas seja comparada com melhor habilidade DWNN, os neurônios podem ser gerados pela combinação do filtro
individual e GL. A partícula oi emprega o seguinte na Eq. (16) ao movimento arbitrário:
fornecido com o procedimento de redução do tamanho da imagem, denominado downs
Cada filtro empregado no DWNN gera um banco de filtros que é colocado
durante todo o procedimento. Portanto, a imagem de entrada pode ser
alimentada em n neurônios que constroem a camada intermitente inicial do NN. No
39
Machine Translated by Google
envolvidos no modelo DWNN, o algoritmo EPO pode ser utilizado. EPO, uma metodologia
(22)
ÿ ÿ
D ÿep = ÿ ÿ
bioinspirada, foi originalmente projetada por Dhiman e Kumar [26] em 2018, para resolver problemas ÿ { S ( U ÿ) ÿX ÿ(x) ÿ V ÿÿ X ÿep(x) } ÿ
otimizados em comparação com os campos de aplicação da engenharia. O EPO era controlado pela ÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿ
2
atitude amontoada do pinguim-imperador (EP) como iniciado da Antártida. Para forragear, o EP (23)
S(você ÿ) = ÿ (feÿ C/ v ÿ eÿ C)
geralmente viaja de rafl/colônia. A característica peculiar iniciada por esses animais sociais na
forragem é esse desempenho de amontoamento. Assim, um objetivo inicial é definir o movimentador Eqs. (22) e (23) são construídos para avaliar a distância entre o EP, bem como os agentes de
efetivo no enxame sob o processo aritmético. A distância entre EP (xep) é estimada para atingir
busca mais aptos (D ÿep). S() representa a força social para que os agentes de busca ótimos sejam
isso, posteriormente seu perfil de temperatura (ÿ' ). O motor produtivo foi definido neste e locais de liderados por EP, e demonstrando a função exponencial [27]. Os parâmetros de controle f e v são
outros PE são alterados para atingir o valor ótimo. O esboço desta técnica detalhada é fornecido
indivíduos nos quais os valores ótimos de f e v estão na faixa de (2, 3) e (1,5, 2) correspondentemente.
em: O perfil de temperatura do EP é medido como:
Neste ponto, com base no agente ótimo alcançado utilizando a Eq. (24), o lugar do EP está
sendo modernizado d.
4. Validação experimental
Como os EP normalmente se amontoam para preservar a temperatura, são obtidas precauções
cuidadosas para defendê-los em colisões na vizinhança. Para isso, sugere vetores (U ÿ) e (V ÿ)
O modelo proposto é simulado utilizando a ferramenta Python 3.6.5. A validação experimental
cujos valores são estimados da técnica IIoT-DLSLD realizada por conjuntos de dados ISIC [28]. Compreende imagens
acasalado como:
dermatoscópicas em classes distintas, nomeadamente Carcinoma Basocelular (CBC), Angioma
(ANG), Lentigo NOS (LNOS), Nevo (NEV), Lentigo Solar (SLG), Melanoma (MEL) e Queratose
você ÿ= {M×(ÿÿ + Xgrid(precisão)) × Rand(} ÿ 11 (19)
Seborréica (SKT) . Poucas imagens de amostra são demonstradas na Fig .
ÿ
V = Rand() (20)
A Figura 5 mostra as matrizes de confusão da técnica IIoT-DLSLD
40
Machine Translated by Google
tabela 1
Análise de resultados do modelo IIoT-DLSLD com diferentes medidas.
Execução-1
41
Machine Translated by Google
Tabela 3
Análise comparativa do modelo IIoT-DLSLD com abordagens existentes.
Tabela 2
Análise média do modelo IIoT-DLSLD em 3 execuções.
42
Machine Translated by Google
5. Conclusão
Neste estudo, uma técnica IIoT-DLSLD eficaz foi desenvolvida para diagnóstico de
lesões cutâneas em ambiente IoT. A técnica IIoT-DLSLD proposta permite que os
dispositivos IoT capturem as imagens dermatoscópicas e classifiquem as lesões
Figura 12. Análise de precisão da técnica IIoT-DLSLD com abordagens existentes.
cutâneas em rótulos de classes distintas. A técnica IIoT-DLSLD proposta abrange
diferentes subprocessos, ou seja, aquisição de imagem, segmentação baseada em OT-
A abordagem IIoT-DLSLD identificou as instâncias NEV com sensy, specy, accy e
SSO, extração de recursos baseada em MobileNetv2, pré-processamento baseado em
Fmeasure de 0,9783, 0,9926, 0,9906 e 0,9677. Simultaneamente, o esquema IIoT-
GF, otimização de parâmetros baseada em EPO e classificação baseada em DWNN. A
DLSLD categorizou as instâncias SKT com sensy, specy, accy e Fmeasure de 0,9630,
validação experimental da técnica IIoT-DLSLD ocorreu contra o conjunto de dados
0,9924, 0,9874 e 0,9630. Eventualmente, o sistema IIoT-DLSLD superou as instâncias
ISIC e os resultados descreveram a melhoria da abordagem IIoT-DLSLD em relação
BCC com sensy, specy, accy e Fmeasure de 0,9459, 0,9964, 0,9906 e 0,9589.
aos outros classificadores de lesões cutâneas do estado da arte. Portanto, a técnica
IIoT-DLSLD pode ser aplicada como uma ferramenta proficiente para diagnóstico e
classificação de lesões cutâneas. No futuro, a metodologia IIoT-DLSLD apresentada
A Figura 8 inspeciona os resultados da classificação de lesões cutâneas da técnica
poderá ser realizada como um aplicativo de smartphone para ajudar pacientes em
IIoT-DLSLD na execução 3. A figura mostra que a técnica IIoT-DLSLD classificou as
áreas remotas.
instâncias ANG com sensy, specy, accy e Fmeasure de 1,0000, 1,0000, 1,0000 e 1,0000.
Reconhecimento
A Tabela 2 e a Figura 9 mostram uma análise geral dos resultados da técnica IIoT-
Os autores agradecem à Pró-Reitoria de Pesquisa Científica da
DLSLD. Os resultados ilustraram que o método IIoT-DLSLD atingiu a máxima precisão
Universidade de Najran pelo financiamento deste trabalho, no âmbito do General Research
de classificação. Por exemplo, com a execução 1, a técnica IIoT-DLSLD atingiu
Código de concessão do programa de financiamento (NU/DRP/SERC/12/44) e Princess
sensibilidade, especificação, precisão e medida médias
Projeto de apoio a pesquisadores da Universidade Nourah bint Abdulrahman
43
Machine Translated by Google
número (PNURSP2023R51), Universidade Princesa Nourah bint Anais da Conferência Internacional sobre Computação Inteligente, Sistemas de Informação e
Controle, Springer, Cingapura, 2021, pp.
Abdulrahman, Riade, Arábia Saudita.
[14] B. Harangi, Classificação de lesões cutâneas com conjuntos de neurônios convolucionais profundos
redes, J. Biomed. Informar. 86 (2018) 25–32.
Referências [15] P. Sahu, D. Yu, H. Qin, Aplique aprendizado profundo leve na Internet das coisas para detecção de
câncer de pele de baixo custo e fácil acesso, em: Medical Imaging 2018: Imaging Informatics for
Healthcare, Research, e Aplicações, Sociedade Internacional de Óptica e Fotônica, Vol. 10579,
[1] MA Kassem, KM Hosny, R. Damaÿseviÿcius, MM Eltoukhy, Aprendizado de máquina e métodos de
2018, março, pp.
aprendizado profundo para classificação e diagnóstico de lesões cutâneas: uma revisão sistemática,
[16] MEU Sikkandar, BA Alrasheadi, NB Prakash, GR Hemalakshmi,
Diagnostics 11 (8) (2021) 1390.
A. Mohanarathinam, K. Shankar, Aprendizado profundo baseado em segmentação automatizada de
[2] G. Fabbrocini, M. Triassi, MC Mauriello, G. Torre, MC Annunziata, V. De Vita, F. Pastore, V. D'Arco, G.
lesões cutâneas e modelo de classificação inteligente, J. Ambient Intell. Zumbir. Computação. 12 (3)
Monfrecola, Epidemiologia do câncer de pele: papel de alguns fatores ambientais , Cânceres 2
(2021) 3245–3255.
(2010) 1980–1989.
[17] DDA Rodrigues, RF Ivo, SC Satapathy, S. Wang, J. Hemanth, PP Reboucas Filho, Uma nova
[3] H. Haenssle, C. Fink, R. Schneiderbauer, F. Toberer, T. Buhl, A. Blum, Reader Study Level-I e Level-II
abordagem para classificação de lesões cutâneas baseada em transfer learning, deep learning e
Groups, Homem contra máquina: desempenho diagnóstico de um neural convolucional de
sistema IoT, Pattern Recogn. Vamos. 136 (2020) 8–15.
aprendizagem profunda rede para reconhecimento dermatoscópico de melanoma em
[18] G. Arora, AK Dubey, ZA Jaffery, A. Rocha, Um estudo comparativo de quatorze redes de aprendizagem
comparação com 58 dermatologistas, Ann. Oncol. 29 (2018)
1836–1842. profunda para classificação de múltiplas lesões cutâneas (MSLC) em dados não balanceados, Neural
Comput. Apl. (2022) 1–27.
[4] ARA Ali, TM Deserno, Uma revisão sistemática da detecção automatizada de melanoma em imagens
[19] CSS Anupama, L. Natrayan, E. Laxmi Lydia, AR Wahab Sait, J. Escorcia-
dermatoscópicas e seus dados reais, Proc. SPIE Int. Soc. Optar. Eng. 8318 (2012) 1–6.
Gutierrez, M. Gamarra, RF Mansour, Aprendizado profundo com modelo de diagnóstico de lesões
cutâneas baseado em otimização de pesquisa de retrocesso, Comput. Matéria. Continua 70 (1)
[5] G. Fabbrocini, G. Betta, G. Di Leo, C. Liguori, A. Paolillo, A. Pietrosanto,
(2021) 1297–1313.
P. Sommella, O. Rescigno, S. Cacciapuoti, F. Pastore, et al., Processamento de imagem de
[20] BWY Hsu, VS Tseng, Aprendizagem contrastiva com reconhecimento de hierarquia com fusão tardia
epiluminescência para diagnóstico de lesões cutâneas melanocíticas com base na lista de
para classificação de lesões de pele, em: Computer Methods and Programs in Biomedicine, 2022,
verificação de 7 pontos: uma discussão preliminar sobre três parâmetros, Open Dermatol. J. 4 (2010) 110–115.
pp.106666.
[6] RB Oliveira, JP Papa, AS Pereira, JMRS Tavares, Métodos computacionais para classificação de lesões
[21] F. Afza, M. Sharif, MA Khan, U. Tariq, HS Yong, J. Cha, Classificação de lesões cutâneas multiclasse
cutâneas pigmentadas em imagens: revisão e tendências futuras, Computação Neural. Apl. 29
usando seleção híbrida de características profundas e máquina de aprendizado extremo, Sensores
(2016) 613–636.
22 (3) (2022) 799.
[7] G. Argenziano, HP Soyer, Dermatoscopia de lesões cutâneas pigmentadas: uma ferramenta valiosa para
[22] KM Hosny, MA Kassem, Rede convolucional profunda residual refinada para classificação de lesões
o diagnóstico precoce do melanoma, Lancet Oncol. 2 (2001) 443–449.
cutâneas, J. Digit. Imagens (2022) 1–23.
[8] I. Stanganelli, A. Brucale, L. Calori, R. Gori, A. Lovato, S. Magi, B. Kopf,
[23] D. Nandan, J. Kanungo, A. Mahajan, Um filtro gaussiano com eficiência de erros para processamento
R. Bacchilega, V. Rapisarda, A. Testori, et al., Diagnóstico auxiliado por computador de lesões
de imagem usando a multiplicação de logaritmo de decomposição de operando
melanocíticas, Anticancer Res. 25 (2005) 4577–4582.
expandido, J. Ambient Intell. Zumbir. Computação. (2018) 1–8.
[9] P. Rubegni, G. Cevenini, M. Burroni, R. Perotti, G. Dell'Eva, P. Sbano, C. Miracco, P. Luzi, P. Tosi, P.
[24] M. Neshat, G. Sepidnam, M. Sargolzaei, Algoritmo de otimização de enxame de andorinha: um novo
Barbini, et al., Automatizado diagnóstico de lesões cutâneas pigmentadas, Int. J. Câncer 101 (2002)
576–580. método para otimização, Computação Neural. Apl. 23 (2) (2013) 429–454.
[25] A. Michele, V. Colin, DD Santika, redes neurais convolucionais Mobilenet e máquinas de vetores de
[10] A. Blum, I. Zalaudek, G. Argenziano, Análise de imagem digital para diagnóstico de tumores de pele,
suporte para reconhecimento de impressões palmares, Procedia Comput. Ciência. 157 (2019) 110–
Semin. Cutan. Med. Surg. 27 (2008) 11–15.
117.
[11] D. Adla, G. Reddy, P. Nayak, G. Karuna, aprendizagem profunda baseada em computador auxiliado
[26] G. Dhiman, V. Kumar, Otimizador de hiena manchada multiobjetivo: um algoritmo de otimização multiobjetivo
modelo de diagnóstico para detecção e classificação de câncer de pele, Distributed Parallel
para problemas de engenharia, Knowl.-Based Syst. 150 (2018) 175–197.
Databases (2021) 1–20.
[12] S. Juyal, S. Sharma, AS Shukla, Monitoramento inteligente da saúde da pele usando IA habilitada
[27] G. Dhiman, D. Oliva, A. Kaur, KK Singh, S. Vimal, A. Sharma, K. Cengiz, BEPO: um novo otimizador
IoT baseada em nuvem, Proc. Matéria. Hoje (2021).
de pinguim imperador binário para seleção automática de recursos, Knowl.- Based Syst. 211
[13] B. Pushpa, Um modelo eficiente de detecção de lesões cutâneas habilitado para Internet das coisas (IoT)
(2021), 106560.
usando extração híbrida de recursos com modelo extremo de aprendizado de máquina, em:
[28] Conjunto de dados ISIC 2017, disponível em https://challenge.isic-archive.com/data/.
44