Defesa de Mestrado de Alceu Emanuel Bissoto

Título do Trabalho
Análise de Lesões de Pele usando Redes Generativas Adversariais
Candidato(a)
Alceu Emanuel Bissoto
Nível
Mestrado
Data
Add to Calender 2019-09-10 00:00:00 2019-09-10 00:00:00 Defesa de Mestrado de Alceu Emanuel Bissoto Análise de Lesões de Pele usando Redes Generativas Adversariais Sala 85 do IC2 INSTITUTO DE COMPUTAÇÃO mauroesc@ic.unicamp.br America/Sao_Paulo public
Horário
14:00
Local
Sala 85 do IC2
Orientador(a)
Sandra Eliza Fontes de Avila
Banca Examinadora

* Titulares

Unidade/Instituição

Sandra Eliza Fontes de Avila

IC/UNICAMP

Jefersson Alex dos Santos

DCC/UFMG

Roberto de Alencar Lotufo

FEEC/UNICAMP

 

* Suplentes

Unidade/Instituição

Gerberth Adín Ramírez Rivera

IC/UNICAMP

Siovani Cintra Felipussi

DComp-SO/UFSCar

Resumo

Melanoma é a forma mais letal de câncer de pele. Análise automática de lesão de pele pode ter uma participação importante para detecção precoce, que é vital para o tratamento dos pacientes.
Redes Neurais Profundas são o estado da arte para análise de imagens de lesões de pele. A falta de dados anotados limita a performance de classificação dessas redes.

Para melhorar a performance, geramos imagens anotadas para nossos modelos de classificação com Redes Generativas Adversariais (GANs). Uma GAN aprende a distribuição dos dados, permitindo-nos amostrar imagens dessa distribuição, sendo este um método complementar a aumentação de dados. No trabalho descrito nessa tese, geramos imagens de alta-resolução, e de relevância clínica, que quando usadas para aumentar o conjunto de treino da nossa rede de classificação, melhora a performance significativamente.

Depois, investigamos a presença de vieses nas bases de dados de lesões de pele. Por termos poucas, e relativamente pequenas bases de dados, naturalmente há risco de haver vieses nos datasets, podendo induzir pesquisas ao erro, devido ao sucessivo re-uso dos mesmos dados. Propomos então experimentos com modificações a estes conjuntos de dados, que quando avaliados por modelos de aprendizado profundo, nos permitem entender melhor o aprendizado da rede, ajudando a verificar correlações espúrias.
Nossos resultados mostram que os modelos conseguem classificar corretamente imagens de lesões de pele sem nenhuma informação clínica relevante: os modelos de aprendizado de máquina que foram treinados com imagens onde não há informação alguma sobre a lesão, aprensentam uma acurácia superior ao AI benchmark, que foi curado com performances de dermatologistas. Esse fato sugere que há correlações espúrias guiando os modelos.
Alimentamos também os modelos com informações adicionais contendo relevância clínica, e estes falharam em melhorar os resultados, sugerindo que há destruição de correlações corretas.

Nossas descobertas levantam a discussão das limitações dos modelos treinados e avaliados em conjuntos de dados pequenos, como os usados em análise de lesões de pele, e podem sugerir diretrizes futuras para soluções planejadas para o mundo real.