Algoritmo de deep learning baseado na rede neural yolo para classificação dermastoscópica e detecçâo de câncer epitelial (melanoma)

Abstract

Estatisticamente documentado como o mais comum tipo de câncer no Brasil e no mundo, correspondendo, de acordo com o Instituto Nacional do Câncer (INCA), a mais de 27% dos registros de tumores malignos do país, o câncer de pele tem como principal causa raiz a exposição excessiva da derme ao sol sem a utilização de filtros ou proteção. Além da alta exposição à luz solar, outros fatores de risco conhecidos são: ter pele e olhos claros, ser albino, ter vitiligo, ter histórico da doença na família e fazer tratamento com medicamentos imunossupressores.

Em regiões com alta incidência de raios UV, como no Brasil, é muito importante que a população esteja sempre alerta a sintomas específicos da doença, visando preveni-la, detectá-la, diagnosticá-la e tratá-la preferencialmente de forma precoce. Para tal, é necessário que cada pessoa esteja atenta a sinais de alerta emitidos pelo próprio corpo humano, tais como o aparecimento de novas manchas na pele, que podem coçar, arder, descamar ou até sangrar ou de feridas que não cicatrizam em até quatro semanas. Estes sintomas são indicativos de cancros que podem ser do tipo não melanoma, que contabilizam no país cerca de 177 mil novos casos anuais, ou do tipo melanoma, forma mais grave da doença que atinge anualmente 8,4 mil pacientes e que possuem alto grau de agressividade, podendo levar à morte.

Para evitar que o aparecimento de possíveis lesões seja negligenciado e para facilitar o pré-diagnóstico – que atualmente é feito de forma visual por médicos especialistas ou não em dermatologia –, bem como para evitar o surgimento de apontamentos posteriormente classificados como falsos positivos, se faz necessário o desenvolvimento de uma ferramenta capaz de melhorar as taxas de performance de reconhecimento da enfermidade. Como proposta de solução deste problema, esta pesquisa se propõe a desenvolver um algoritmo baseado na rede neural YOLO – e suas variações – de modo que seja possível efetuar o treinamento, a validação e o posterior teste do aprendizado da rede, sobre um conjunto de dados composto por milhares de dermatoscopias fornecidas em desafios de programação voltados à aplicação de técnicas de deep learning.

São analisados diversos aspectos de performance do algoritmo YOLO, tais como precisão e velocidade, para cada uma de suas versões, bem como são conferidas as variações de performance do modelo após a realização de alterações por meio de incrementos ou tratamentos na base de dados que compõe o dataset de treinamento visando possível melhoria dos resultados, comprovando ao fim do projeto a eficácia do emprego de técnicas de varredura de imagens por deep learning para a detecção com altos índices de precisão de cânceres do tipo melanoma.

Statistically documented as the most common type of cancer in Brazil and in the world, corresponding, according to the National Cancer Institute (INCA), to more than 27% of the country's malignant tumor records, skin cancer has as its main cause root the excessive exposure of the dermis to the sun without the use of filters or protection. In addition to high exposure to sunlight, other known risk factors are: having fair skin and eyes, being albino, having vitiligo, having a family history of the disease and being treated with immunosuppressive drugs. In regions with a high incidence of UV rays, such as Brazil, it is very important that the population is always alert to specific symptoms of the disease, aiming to prevent, detect, diagnose and treat it, preferably at an early stage. For this, it is necessary that each person is attentive to warning signs emitted by the human body itself, such as the appearance of new spots on the skin, which can itch, burn, flake or even bleed or wounds that do not heal within four weeks. . These symptoms are indicative of cancer that can be of the type non-melanoma, which account for around 177,000 new cases per year in the country, or of the melanoma type, the most serious form of the disease that affects 8,400 patients annually and has a high degree of aggressiveness, which can lead to death. In order to prevent the appearance of possible lesions from being overlooked, and to facilitate the pre-diagnosis - which is currently performed visually by physicians who are specialists or not in dermatology -, as well as to avoid the appearance of notes later classified as false positives, It is necessary to develop a tool capable of improving diagnostic performance rates. As a proposed solution to this problem, this research proposes to develop an algorithm based on the YOLO neural network – and its variations – so that it is possible to carry out training, validation and subsequent testing of the network's learning, under. a data set made up of thousands of dermoscopies provided in programming challenges aimed at applying deep learning techniques. Various performance aspects of the YOLO algorithm are analyzed, such as precision and speed, for each of its versions, as well as variations in the performance of the model after changes are made through increments or treatment in the database that composes it. the training dataset aiming at possible improvement of results, proving at the end of the project the effectiveness of using deep learning image scanning techniques for detecting melanoma cancers with high accuracy rates.