AVALIAÇÃO DE TÉCNICAS DE REDES NEURAIS DE APRENDIZADO PROFUNDO PARA SEGMENTAÇÃO DE FERIDAS MALIGNAS CUTÂNEAS EM IMAGENS
A segmentação automática das áreas das feridas malignas cutâneas em imagens é uma parte importante do processo de diagnóstico e atendimento, pois é fundamental medir a área da ferida e fornecer dados quantitativos no tratamento. Para este fim, existem vários modelos de redes neurais de aprendizado profundo. No entanto, o problema com muitos desses modelos é que sua arquitetura é pesada e possui alto custo computacional. Logo, propomos a avaliação inicial de técnicas duas redes neurais de aprendizado profundo. Um dos modelos (U-Net) é comumente utilizado na segmentação de imagens médicas, enquanto o segundo modelo (DeepLabV3) utiliza como base convoluções utilizadas em redes MobileNetV2, que fornece modelos mais compactos. Com esta avaliação dos modelos de segmentação, esperamos obter uma visão inicial dos resultados de acurácia versus eficiência computacional.
AVALIAÇÃO DE TÉCNICAS DE REDES NEURAIS DE APRENDIZADO PROFUNDO PARA SEGMENTAÇÃO DE FERIDAS MALIGNAS CUTÂNEAS EM IMAGENS
-
DOI: 10.22533/at.ed.9442326097
-
Palavras-chave: aprendizado profundo, segmentação de feridas, visão computacional.
-
Keywords: deep learning, wound segmentation, computer vision.
-
Abstract:
Automatic segmentation of malignant skin wound areas on images is an important part of the diagnostic and care process, as it is critical to measure the wound area and provide quantitative data in treatment. For this purpose, there are several models of deep learning neural networks. However, the problem with many of these models is that their architecture is cumbersome and has a high computational cost. Therefore, we propose an initial evaluation of two deep learning neural networks techniques. One of the models (U-Net) is commonly used in medical image segmentation, while the second model (DeepLabV3) uses the basic convolutions used in MobileNetV2 networks, which provide more compact models. With this evaluation of the segmentation models, we hope to obtain an initial view of the results of accuracy versus computational efficiency.
- Rafael Cardoso Ribeiro da Costa
- Rafael Roque de Souza
- Robson Cavalcanti Lins
- Iago Richard Rodrigues Silva
