Navegando por Autor "MAIA, Lucas Bezerra"

Filtrar resultados informando as primeiras letras
Agora exibindo 1 - 2 de 2
  • Nenhuma Miniatura disponível
    Item
    Aprendizagem Profunda Aplicada ao Diagnóstico de Melanoma
    (Universidade Federal do Maranhão, 2019-02-14) MAIA, Lucas Bezerra; PAIVA, Anselmo Cardoso de; 375523843-87; http://lattes.cnpq.br/6446831084215512; BRAZ JÚNIOR, Geraldo; 000520303-18; http://lattes.cnpq.br/8287861610873629; BRAZ JÚNIOR, Geraldo; 000520303-18; http://lattes.cnpq.br/8287861610873629; PAIVA, Anselmo Cardoso de; 375523843-87; http://lattes.cnpq.br/6446831084215512; ALMEIDA, João Dallyson Sousa de; http://lattes.cnpq.br/6047330108382641; CARVALHO FILHO, Antonio Oseas de; http://lattes.cnpq.br/7913655222849728
    Melanoma is the most lethal type of cancer when compared to others skin diseases. However, when the diagnosis is made in its initial stage, patients have high rates of recovery. Several approaches to automatic detection and diagnosis of melanoma have been explored by different authors in order to provide an auxiliary opinion to specialists. Training models with the existing data sets have been a difficult task due to the problem of imbalanced data. This work aims to evaluate to the evaluation the performance of machine learning algorithms combined with imbalanced learning technique, regarding the task of melanoma diagnosis. The architectures of Convolutional Neural Networks VGG16, VGG19, Inception, and ResNet were used along with ABCD rule to extract patterns of skin lesions in a set of 200 dermatoscopic images. The Random Forest classifier reached a sensitivity of 92.5 % and a kappa index of 77.15 % after the use of attribute selection with Greedy Stepwise and balancing the training data with Synthetically Minority Oversampling TEchnique (SMOTE) and the Edited Nearest Neighbor (ENN) rule.
  • Nenhuma Miniatura disponível
    Item
    Diagnóstico de melanoma através de HOG, função K de Ripley e Alpha-Shapes
    (Universidade Federal do Maranhão, 2017-01-30) MAIA, Lucas Bezerra
    O melanoma é o tipo de câncer de pele mais letal quando comparado com os demais, porém os pacientes apresentam índices de recuperação elevados se a doença for descoberta em sua fase inicial. Seu diagnóstico prévio ainda apresenta um desafio para pessoas cujo acesso aos médicos especialistas é inviável. Diversas abordagens de detecção e diagnóstico automático vêm sendo exploradas por diferentes autores, usando técnicas de reconhecimento de padrões e aprendizado de máquina. Neste trabalho, é proposto um modelo para classificação automática de câncer de pele melanoma, por meio de um processo de treinamento supervisionado de máquinas de vetor de suporte, tendo como comparação as características extraídas pelos métodos de histogramas de gradientes orientados, análise espacial com função K de Ripley e análise geométrica de estruturas côncavas determinadas através de Alpha-Shapes. Os resultados obtidos são promissores devido às taxas de sensibilidades e precisão encontradas, principalmente usando o método de geometria côncava para extração de características.