Um Novo Modelo de Aprendizado Profundo Multitarefa para Segmentação e Classificação de Lesões Cutâneas

Neste estudo, uma rede neural profunda multitarefa é proposta para a análise de lesões cutâneas. O modelo de aprendizado multitarefa proposto resolve diferentes tarefas (por exemplo, segmentação de lesões e duas classificações binárias independentes de lesões) ao mesmo tempo, explorando as semelhanças e diferenças entre as tarefas. Isso resulta em uma eficiência de aprendizado melhorada e potencial precisão de previsão para os modelos específicos da tarefa, em comparação com o treinamento dos modelos individuais separadamente. O modelo de aprendizado profundo multitarefa proposto é treinado e avaliado nos conjuntos de imagens dermoscópicas do Desafio de 2017 da Colaboração Internacional de Imagem da Pele (ISIC) - Análise de Lesões Cutâneas em direção à Detecção de Melanoma, que consiste em 2000 amostras de treinamento e 150 amostras de avaliação. Os resultados experimentais mostram que o modelo de aprendizado profundo multitarefa proposto atinge desempenhos promissores na segmentação e classificação de lesões cutâneas. O valor médio do índice de Jaccard para segmentação de lesões é 0,724, enquanto os valores médios da área sob a curva característica de operação do receptor (AUC) em duas classificações individuais de lesões são 0,880 e 0,972, respectivamente.