Tese

Segmentation of oral lesions through convolutional neural networks (2025)

• Authors:
  • Souza, Eduardo Santos Carlos de
  • Carvalho, André Carlos Ponce de Leon Ferreira de (Orientador)
• Autor USP: SOUZA, EDUARDO SANTOS CARLOS DE - ICMC
• Unidade: ICMC
• Sigla do Departamento: SME
• DOI: 10.11606/D.55.2025.tde-29072025-102150
• Subjects: INTELIGÊNCIA ARTIFICIAL; REDES NEURAIS; NEOPLASIAS; LESÕES CANCERIZÁVEIS; APRENDIZADO COMPUTACIONAL; BIOINFORMÁTICA
• Keywords: Artificial intelligence; Câncer de boca; Convolutional neural networks; Lesões orais potencialmente malignas; Oral cancer; Oral potentially malignant disorders; Segmentação semântica; Semantic segmentation
• Agências de fomento:
  • Financiamento CAPES
• Language: Inglês
• Abstract: A inteligência artificial tem sido amplamente utilizada na área da saúde, em especial no contexto de imagens médicas, para produzir modelos capazes de rápida e precisamente identificar doenças ou características relevantes presentes nas imagens, visando auxiliar os médicos em sua prática. Câncer de boca e lesões orais potencialmente malignas são um grupo de doenças que recebeu relativamente pouca atenção da comunidade científica, o que é especialmente preocupante dado que o câncer de boca está entre as formas de câncer mais comuns e letais. Dos trabalhos presentes na literatura para tais condições, a maioria se foca na classificação das lesões existentes nas imagens, o que não é suficiente dado que os clínicos também necessitam diferenciar as áreas afetadas das saudáveis para adequadamente diagnosticar e tratar a doença. Esse trabalho tenta remediar essa brecha realizando um estudo focado no uso de modelos de inteligência artificial para a segmentação semântica de imagens contendo tais doenças. Além da construção de tais modelos, esse estudo também explora a utilização de transferência de aprendizado para amenizar a falta de dados anotados para a produção dos mesmos. Em especial, foi realizada a comparação do volumoso conjunto de dados para classificação ImageNet com conjuntos menores voltados a segmentação semântica, especificamente os conjuntos COCO e ISIC 2018, em relação a suas performances quando utilizados para transferência de aprendizado. Por fim, para fornecer umacomparação valiosa, foi calculada a diferença pareada em performance entre os modelos produzidos e a performance humana. Através deste estudo, foram produzidos dois modelos baseados na Attention U-Net a serem mencionados nesse resumo: um modelo com a ConvNeXt como backbone, de alto custo computacional, que obteve um Dice Score de 0.715; e um modelo com a MobileNet como backbone, de baixo custo computacional, que obteve um Dice Score de 0.692. Quanto a transferência de aprendizado, foi concluído que o conjunto ISIC 2018 fornece performance inferior à falta de transferência, enquanto os conjuntos ImageNet e COCO fornecem um ganho significativo em performance. Esses dois últimos conjuntos geraram resultados muito similares, e os testes de hipótese não conseguiram determinar superioridade entre eles. Isso cria a possibilidade de se utilizar o conjunto COCO para uma transferência de aprendizado mais rápida e menos intensiva em recursos. Por último, a comparação pareada dos modelos com a performance humana determinou estatisticamente que a performance humana é superior, indicando a necessidade de mais pesquisa e desenvolvimento para essa tarefa.
• Imprenta:
  • Publisher place: São Carlos
  • Date published: 2025
• Data da defesa: 29.04.2025


Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).

Status:

Nenhuma versão em acesso aberto identificada

---

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  SOUZA, Eduardo Santos Carlos de. Segmentation of oral lesions through convolutional neural networks. 2025. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2025. Disponível em: https://teses.usp.br/teses/disponiveis/55/55134/tde-29072025-102150/. Acesso em: 31 mar. 2026.

• APA

  Souza, E. S. C. de. (2025). Segmentation of oral lesions through convolutional neural networks (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de https://teses.usp.br/teses/disponiveis/55/55134/tde-29072025-102150/

• NLM

  Souza ESC de. Segmentation of oral lesions through convolutional neural networks [Internet]. 2025 ;[citado 2026 mar. 31 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-29072025-102150/

• Vancouver

  Souza ESC de. Segmentation of oral lesions through convolutional neural networks [Internet]. 2025 ;[citado 2026 mar. 31 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-29072025-102150/

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Deep learning for automatic segmentation of clinical photographs of oral premalignant and malignant lesions
• Machine learning concepts applied to oral pathology and oral medicine: a convolutional neural networks' approach
• Convnext for the classification of oral potentially malignant disorders and squamous cell carcinoma
• Automated classification of oral potentially malignant disorders and oral squamous cell carcinoma using a convolutional neural network framework: a cross-sectional study
• Enhancing explainability in oral cancer detection with Grad-CAM visualizations
• A convolutional neural network framework with ConvNeXt and Grad-CAM for classification of oral potentially malignant disorders and oral squamous cell carcinoma
• Clinicians' perception of oral potentially malignant disorders: a pitfall for image annotation in supervised learning