@phdthesis{phdthesis, keywords = {clinical decision support system, Hansen{\'\i}ase, Skin cancer, convolutional neural network}, author = {Gomes de Lim P. V. S.}, title = {Sistema inteligente para apoio ao diagn{\'o}stico de c{\^a}ncer de pele e hansen{\'\i}ase usando an{\'a}lise digital de imagens e redes neurais artificiais profundas}, abstract = {

O uso de intelig{\^e}ncia artificial cresce continuamente em diversos setores, e no setor da sa{\'u}de n{\~a}o {\'e} diferente. Aplica{\c c}{\~o}es de intelig{\^e}ncia computacional ajudam aos profissionais da sa{\'u}de no processo de diagn{\'o}stico, permitindo que este seja mais r{\'a}pido e mais confi{\'a}vel. Segundo a Organiza{\c c}{\~a}o Mundial da Sa{\'u}de (OMS), as doen{\c c}as negligenciadas s{\~a}o aquelas doen{\c c}as end{\^e}micas que ocorrem em regi{\~o}es subdesenvolvidas e que n{\~a}o possuem apelo suficiente para receberem investimentos do Estado ou do mercado. O Brasil {\'e} um dos pa{\'\i}ses com mais casos de hansen{\'\i}ase, esta sendo uma das doen{\c c}as classificadas como negligenciadas, chegando a uma taxa de detec{\c c}{\~a}o geral de novos casos de 13,23 por 100 mil habitantes em 2019. Com uma realidade diferente, mas tamb{\'e}m preocupante, o c{\^a}ncer {\'e} tido como uma das principais causas de morte e uma importante barreira para o aumento da expectativa de vida em todos os pa{\'\i}ses do mundo. No Brasil, para cada ano do tri{\^e}nio 2020-2022 estima-se 625 mil novos casos de c{\^a}ncer, sendo o c{\^a}ncer de pele n{\~a}o melanoma o de maior incid{\^e}ncia (177 mil). Este trabalho busca contribuir na detec{\c c}{\~a}o precoce da hansen{\'\i}ase e do c{\^a}ncer de pele com a cria{\c c}{\~a}o de uma estrutura de apoio ao diagn{\'o}stico utilizando redes neurais artificiais profundas para extra{\c c}{\~a}o de atributos, combinado a um algoritmo de classifica{\c c}{\~a}o, de modo a reconhecer as doen{\c c}as em imagens com les{\~o}es de pele. A fim de uma maior assertividade, foram propostos 7 diferentes cen{\'a}rios de experimentos envolvendo as doen{\c c}as citadas, levando em conta tanto aspectos computacionais quanto relatos de profissionais da sa{\'u}de. Foram analisadas as redes profundas LeNet, SqueezeNet, NASNetMobile, ResNet50 e Inception v3 combinadas a diversas configura{\c c}{\~o}es do classificador Random Forest. Com base nas m{\'e}tricas de avalia{\c c}{\~a}o definidas, observou-se que a arquitetura Inception v3 {\'e} aquela que normalmente gera melhores resultados e que, considerando um trade off entre performance e custo computacional, a configura{\c c}{\~a}o apropriada para o classificador {\'e} aquela com 100 {\'a}rvores. Como consequ{\^e}ncia disso, o objetivo da pesquisa foi atingido, chegando em um eficiente sistema de apoio ao diagn{\'o}stico por imagem e n{\~a}o invasivo da hansen{\'\i}ase e do c{\^a}ncer de pele adaptado {\`a} realidade do Brasil.

}, year = {2023}, journal = {Engenharia Biom{\'e}dica do Centro de Tecnologia e Geoci{\^e}ncias}, volume = {Programa de P{\'o}s-Gradua{\c c}{\~a}o}, pages = {1-100}, publisher = {Universidade Federal de Pernambuco}, url = {https://repositorio.ufpe.br/bitstream/123456789/50253/1/DISSERTA\%C3\%87\%C3\%83O\%20Pedro\%20Vitor\%20Soares\%20Gomes\%20de\%20Lima.pdf}, language = {Por}, }