Investigação de funções de perda para segmentação de lesões cutâneas usando redes neurais convolucionais

Abstract

A utilização de modelos de aprendizagem profunda para imagens médicas vem contribuindo com o avanço da precisão dos profissionais ao realizarem diagnósticos médicos em diversas áreas, dentre elas, a segmentação de lesões cutâneas. Ao buscar o melhor desempenho para um conjunto de dados específico, mostra-se de extrema importância a otimização dos hiperparâmetros do modelo, assim como a escolha de sua arquitetura de rede neural e função de perda. Em particular, as funções de perda podem influenciar significativamente o desempenho do modelo, alterando a forma com que a retropropagação é realizada. Fazendo uso do conjunto de dados de 2017 e 2018 do desafio International Skin Imaging Collaboration (ISIC), nas tarefas referentes à segmentação de lesões cutâneas, esta pesquisa busca investigar funções de perda, com o foco em melhorar o desempenho em relação à perda Dice (PD) e generalizar o método do estado da arte do desafio de 2018. Após a obtenção dos resultados, observou-se que a função de perda proposta neste trabalho se comporta de uma maneira extremamente similar à função PD, descartando alguma melhora dentro do escopo da pesquisa. Entretanto, foi possível, além de confirmar a validade do método do estado da arte para diversas funções da literatura, obter uma ligeira melhora de desempenho ao utilizar a função Tversky Loss (TL) no conjunto de dados de 2018, atingindo 92,8% na métrica Dice contra 92,6% alcançadas com o uso da PD. Por fim, constata-se o desempenho superior das funções baseadas em região em relação à perda Binary Cross-Entropy (BCE), a qual atingiu uma métrica Dice de 92,3%.