Geração ilimitada de imagens de lesões de pele usando redes generativas adversariais

Resumo

Melanoma é a forma mais letal de Câncer de pele. Análise automática de lesão de pele pode ter uma participação decisiva para detecção precoce, que é vital para o tratamento dos pacientes. Redes neurais profundas são o estado da arte para análise de imagens de lesões de pele, porém a falta de dados anotados limita a performance de classificação dessas redes. Começamos em 2017 a gerar imagens anotadas para nosso modelos de classificação com Redes Generativas Adversariais (GANs, do inglês Generative Adversarial Networks). A GAN aprende a distribuição dos dados, permitindo-nos amostrar imagens dessa distribuição, possibilitando um método complementar a aumentação de dados. No nosso último trabalho, geramos imagens de alta resolução, e com relevância clínica, que quando usadas para aumentar o conjunto de treino da nossa rede de classificação, melhorou a performance. Porém, nosso método tem limitações. A quantidade de imagens sintéticas que conseguimos gerar é limitada por uma anotação especial que está disponível apenas para um conjunto menor de dados. Isso é problemático pois queremos gerar quantidades ilimitadas de dados para impulsionar a classificação de lesões de pele. Nesse projeto de pesquisa de doutorado, exploramos métodos para geração ilimitada: propomos soluções para incorporar informação clínica relevante ao processo de geração da GAN, de forma a manter a qualidade das imagens, sem sacrificar a quantidade ou variabilidade. Acreditamos que nossa experiência em modelos generativos e em análise de lesões de pele nos qualifica a realizar esse trabalho que busca melhorar o estado da arte atual para geração de imagens de lesões de pele, e classificação. Destacamos que nosso grupo está na vanguarda do cenário internacional dessa pesquisa, sendo responsável por resultados revolucionários associados à análise de lesões de pele. (AU)