Aplicação de técnicas de XAI em redes neurais convolucionais na classificação de lesões de pele
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Monografias da UnB |
Texto Completo: | https://bdm.unb.br/handle/10483/27820 |
Resumo: | Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, Engenharia Eletrônica, 2021. |
id |
UNB-2_4221f3b273ec1e08efb96469aa7249c3 |
---|---|
oai_identifier_str |
oai:bdm.unb.br:10483/27820 |
network_acronym_str |
UNB-2 |
network_name_str |
Biblioteca Digital de Monografias da UnB |
repository_id_str |
11571 |
spelling |
Baptista, João Vitor RodriguesSilva, Nilton Correia daBAPTISTA, João Vitor Rodrigues . Aplicação de técnicas de XAI em redes neurais convolucionais na classificação de lesões de pele. 2021. 133 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica)—Universidade de Brasília, Brasília, 2021.https://bdm.unb.br/handle/10483/27820Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, Engenharia Eletrônica, 2021.Modelos de machine learning estão cada vez mais presentes no dia a dia. Com o crescimento do poder computacional verificou-se um aumento na complexidade desses modelos. Devido a alta complexidade, principalmente, em redes neurais profundas conhecidas como “caixas pretas“. pois é extremamente difícil como o modelo lida com os dados de entrada. O presente trabalho tem como finalidade aplicar duas grandes técnicas de XAI: baseado em perturbações usando LIME e outras cinco técnicas baseada no cálculo de gradiente e como essas técnicas fornecem recursos para o entendimento da base do processo de decisão feito pela rede neural profunda. Na mesma linha, compara quais métodos fornecem os melhores recursos para análises humanas..Para tanto, foi desenvolvido um modelo que classifica 9 tipos de lesões de pele, sendo 4 tipos malignos. Esse modelo foi utilizado para classificar um conjunto de imagens de 9 tipos de lesões diferentes com a finalidade de analisar as técnicas de interpretabilidade de cada amostra isolada amostras.Essas doenças afetam mais de 14,1 milhões de pacientes e tem sido a causa de mais de 8,2 milhões de mortes no mundo. Para auxiliar os diagnósticos clínicos é necessário avaliar o processo de decisão do modelo. Para tratar-se de decisões sensíveis é necessário confiabilidade baseado na interpretabilidade do modelo. Com o auxílio do modelo e os insight gerados a partir da explicabilidade dos padrões aprendidos, pode-se criar novas metodologias de classificação de lesões por profissionais da saúde.Submitted by Anita Souza (anita.souza@bce.unb.br) on 2021-06-22T14:02:39Z No. of bitstreams: 1 2021_JoaoVitorRodriguesBaptista_tcc.pdf: 49600033 bytes, checksum: 6f20ca18cf4c25efc5ab0867031b2643 (MD5)Approved for entry into archive by Biblioteca Digital de Monografias Gerência (bdm@bce.unb.br) on 2021-06-25T14:23:35Z (GMT) No. of bitstreams: 1 2021_JoaoVitorRodriguesBaptista_tcc.pdf: 49600033 bytes, checksum: 6f20ca18cf4c25efc5ab0867031b2643 (MD5)Made available in DSpace on 2021-06-25T14:23:35Z (GMT). No. of bitstreams: 1 2021_JoaoVitorRodriguesBaptista_tcc.pdf: 49600033 bytes, checksum: 6f20ca18cf4c25efc5ab0867031b2643 (MD5)Machine learning models have become more present in every-day life. Computing power has grown exponentially in the last few years as well as models complexities. Due to the high complexity of models, especially in deep neural networks, they are now known as "black boxes", because it’s too difficult to understand how they deal with input data. This work focuses on applying two major XAI techniques: perturbation-based using LIME and other five techniques using Gradient-based and how those methods provide resources to understand what is the base decision process done by a deep neural network. Also, compare what kind of methods provide the best resources for human analises. Therefore, a skin’s lesion classifier model was developed to classify 9 classes, being 4 of these malignant, including Malignant Melanoma and Basal Cell Carcinoma. This model was used to predict a test sample of 9 different classes of lesions in order to analyze each interpretability technique applied locally in each sample. Those diseases threaten more than 14.1 million patients and have been the cause of more than 8.2 million deaths worldwide. In order to assist clinic diagnosis is necessary to evaluate a model’s decision process. As the model deals with sensitivity decisions, reliability is required based on the model’s interpretability. As the model’s insights have grown they will be useful in further classification’s methodologies in the health industry.A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.info:eu-repo/semantics/openAccessRedes neurais (Computação)Aprendizado de máquinaPele - ferimentos e lesõesAplicação de técnicas de XAI em redes neurais convolucionais na classificação de lesões de peleinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis2021-06-25T14:23:35Z2021-06-25T14:23:35Z2021-05-25porreponame:Biblioteca Digital de Monografias da UnBinstname:Universidade de Brasília (UnB)instacron:UNBLICENSElicense.txtlicense.txttext/plain1817http://bdm.unb.br/xmlui/bitstream/10483/27820/2/license.txt21554873e56ad8ddc69c092699b98f95MD52ORIGINAL2021_JoaoVitorRodriguesBaptista_tcc.pdf2021_JoaoVitorRodriguesBaptista_tcc.pdfapplication/pdf49600033http://bdm.unb.br/xmlui/bitstream/10483/27820/1/2021_JoaoVitorRodriguesBaptista_tcc.pdf6f20ca18cf4c25efc5ab0867031b2643MD5110483/278202022-03-22 10:36:41.993oai:bdm.unb.br:10483/27820w4kgbmVjZXNzw6FyaW8gY29uY29yZGFyIGNvbSBhIGxpY2Vuw6dhIGRlIGRpc3RyaWJ1acOnw6NvIG7Do28tZXhjbHVzaXZhLAphbnRlcyBxdWUgbyBkb2N1bWVudG8gcG9zc2EgYXBhcmVjZXIgbmEgQmlibGlvdGVjYSBEaWdpdGFsIGRhIFByb2R1w6fDo28gCkRpc2NlbnRlIGRhIFVuaXZlcnNpZGFkZSBkZSBCcmFzw61saWEuIFBvciBmYXZvciwgbGVpYSBhCmxpY2Vuw6dhIGF0ZW50YW1lbnRlLiBDYXNvIG5lY2Vzc2l0ZSBkZSBhbGd1bSBlc2NsYXJlY2ltZW50byBlbnRyZSBlbQpjb250YXRvIGF0cmF2w6lzIGRlOiBiZG1AYmNlLnVuYi5iciBvdSAzMTA3LTI2ODcuCgpMSUNFTsOHQSBERSBESVNUUklCVUnDh8ODTyBOw4NPLUVYQ0xVU0lWQQoKQW8gYXNzaW5hciBlIGVudHJlZ2FyIGVzdGEgbGljZW7Dp2EsIG8vYSBTci4vU3JhLiAoYXV0b3Igb3UgZGV0ZW50b3IgZG9zCmRpcmVpdG9zIGRlIGF1dG9yKToKCmEpIENvbmNlZGUgw6AgVW5pdmVyc2lkYWRlIGRlIEJyYXPDrWxpYSBvIGRpcmVpdG8gbsOjby1leGNsdXNpdm8gZGUKcmVwcm9kdXppciwgY29udmVydGVyIChjb21vIGRlZmluaWRvIGFiYWl4byksIGNvbXVuaWNhciBlL291CmRpc3RyaWJ1aXIgbyBkb2N1bWVudG8gZW50cmVndWUgKGluY2x1aW5kbyBvIHJlc3Vtby9hYnN0cmFjdCkgZW0KZm9ybWF0byBkaWdpdGFsIG91IGltcHJlc3NvIGUgZW0gcXVhbHF1ZXIgbWVpby4KCmIpIERlY2xhcmEgcXVlIG8gZG9jdW1lbnRvIGVudHJlZ3VlIMOpIHNldSB0cmFiYWxobyBvcmlnaW5hbCwgZSBxdWUKZGV0w6ltIG8gZGlyZWl0byBkZSBjb25jZWRlciBvcyBkaXJlaXRvcyBjb250aWRvcyBuZXN0YSBsaWNlbsOnYS4gRGVjbGFyYQp0YW1iw6ltIHF1ZSBhIGVudHJlZ2EgZG8gZG9jdW1lbnRvIG7Do28gaW5mcmluZ2UsIHRhbnRvIHF1YW50byBsaGUgw6kKcG9zc8OtdmVsIHNhYmVyLCBvcyBkaXJlaXRvcyBkZSBxdWFscXVlciBvdXRyYSBwZXNzb2Egb3UgZW50aWRhZGUuCgpjKSBTZSBvIGRvY3VtZW50byBlbnRyZWd1ZSBjb250w6ltIG1hdGVyaWFsIGRvIHF1YWwgbsOjbyBkZXTDqW0gb3MKZGlyZWl0b3MgZGUgYXV0b3IsIGRlY2xhcmEgcXVlIG9idGV2ZSBhdXRvcml6YcOnw6NvIGRvIGRldGVudG9yIGRvcwpkaXJlaXRvcyBkZSBhdXRvciBwYXJhIGNvbmNlZGVyIMOgIFVuaXZlcnNpZGFkZSBkZSBCcmFzw61saWEgb3MgZGlyZWl0b3MKcmVxdWVyaWRvcyBwb3IgZXN0YSBsaWNlbsOnYSwgZSBxdWUgZXNzZSBtYXRlcmlhbCBjdWpvcyBkaXJlaXRvcyBzw6NvIGRlCnRlcmNlaXJvcyBlc3TDoSBjbGFyYW1lbnRlIGlkZW50aWZpY2FkbyBlIHJlY29uaGVjaWRvIG5vIHRleHRvIG91CmNvbnRlw7pkbyBkbyBkb2N1bWVudG8gZW50cmVndWUuCgpTZSBvIGRvY3VtZW50byBlbnRyZWd1ZSDDqSBiYXNlYWRvIGVtIHRyYWJhbGhvIGZpbmFuY2lhZG8gb3UgYXBvaWFkbwpwb3Igb3V0cmEgaW5zdGl0dWnDp8OjbyBxdWUgbsOjbyBhIFVuaXZlcnNpZGFkZSBkZSBCcmFzw61saWEsIGRlY2xhcmEgcXVlCmN1bXByaXUgcXVhaXNxdWVyIG9icmlnYcOnw7VlcyBleGlnaWRhcyBwZWxvIHJlc3BlY3Rpdm8gY29udHJhdG8gb3UKYWNvcmRvLgoKQSBVbml2ZXJzaWRhZGUgZGUgQnJhc8OtbGlhIGlkZW50aWZpY2Fyw6EgY2xhcmFtZW50ZSBvKHMpIHNldSAocykgbm9tZSAocykKY29tbyBvIChzKSBhdXRvciAoZXMpIG91IGRldGVudG9yIChlcykgZG9zIGRpcmVpdG9zIGRvIGRvY3VtZW50bwplbnRyZWd1ZSwgZSBuw6NvIGZhcsOhIHF1YWxxdWVyIGFsdGVyYcOnw6NvLCBwYXJhIGFsw6ltIGRhcyBwZXJtaXRpZGFzIHBvcgplc3RhIGxpY2Vuw6dhLgo=Biblioteca Digital de Monografiahttps://bdm.unb.br/PUBhttp://bdm.unb.br/oai/requestbdm@bce.unb.br||patricia@bce.unb.bropendoar:115712022-03-22T13:36:41Biblioteca Digital de Monografias da UnB - Universidade de Brasília (UnB)false |
dc.title.pt_BR.fl_str_mv |
Aplicação de técnicas de XAI em redes neurais convolucionais na classificação de lesões de pele |
title |
Aplicação de técnicas de XAI em redes neurais convolucionais na classificação de lesões de pele |
spellingShingle |
Aplicação de técnicas de XAI em redes neurais convolucionais na classificação de lesões de pele Baptista, João Vitor Rodrigues Redes neurais (Computação) Aprendizado de máquina Pele - ferimentos e lesões |
title_short |
Aplicação de técnicas de XAI em redes neurais convolucionais na classificação de lesões de pele |
title_full |
Aplicação de técnicas de XAI em redes neurais convolucionais na classificação de lesões de pele |
title_fullStr |
Aplicação de técnicas de XAI em redes neurais convolucionais na classificação de lesões de pele |
title_full_unstemmed |
Aplicação de técnicas de XAI em redes neurais convolucionais na classificação de lesões de pele |
title_sort |
Aplicação de técnicas de XAI em redes neurais convolucionais na classificação de lesões de pele |
author |
Baptista, João Vitor Rodrigues |
author_facet |
Baptista, João Vitor Rodrigues |
author_role |
author |
dc.contributor.author.fl_str_mv |
Baptista, João Vitor Rodrigues |
dc.contributor.advisor1.fl_str_mv |
Silva, Nilton Correia da |
contributor_str_mv |
Silva, Nilton Correia da |
dc.subject.keyword.pt_BR.fl_str_mv |
Redes neurais (Computação) Aprendizado de máquina Pele - ferimentos e lesões |
topic |
Redes neurais (Computação) Aprendizado de máquina Pele - ferimentos e lesões |
description |
Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, Engenharia Eletrônica, 2021. |
publishDate |
2021 |
dc.date.submitted.none.fl_str_mv |
2021-05-25 |
dc.date.accessioned.fl_str_mv |
2021-06-25T14:23:35Z |
dc.date.available.fl_str_mv |
2021-06-25T14:23:35Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
BAPTISTA, João Vitor Rodrigues . Aplicação de técnicas de XAI em redes neurais convolucionais na classificação de lesões de pele. 2021. 133 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica)—Universidade de Brasília, Brasília, 2021. |
dc.identifier.uri.fl_str_mv |
https://bdm.unb.br/handle/10483/27820 |
identifier_str_mv |
BAPTISTA, João Vitor Rodrigues . Aplicação de técnicas de XAI em redes neurais convolucionais na classificação de lesões de pele. 2021. 133 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica)—Universidade de Brasília, Brasília, 2021. |
url |
https://bdm.unb.br/handle/10483/27820 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Monografias da UnB instname:Universidade de Brasília (UnB) instacron:UNB |
instname_str |
Universidade de Brasília (UnB) |
instacron_str |
UNB |
institution |
UNB |
reponame_str |
Biblioteca Digital de Monografias da UnB |
collection |
Biblioteca Digital de Monografias da UnB |
bitstream.url.fl_str_mv |
http://bdm.unb.br/xmlui/bitstream/10483/27820/2/license.txt http://bdm.unb.br/xmlui/bitstream/10483/27820/1/2021_JoaoVitorRodriguesBaptista_tcc.pdf |
bitstream.checksum.fl_str_mv |
21554873e56ad8ddc69c092699b98f95 6f20ca18cf4c25efc5ab0867031b2643 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Monografias da UnB - Universidade de Brasília (UnB) |
repository.mail.fl_str_mv |
bdm@bce.unb.br||patricia@bce.unb.br |
_version_ |
1801493150895702016 |