PT
O cancro da pele constitui uma das formas de cancro mais prevalentes e com maior taxa de
mortalidade, sendo o melanoma a sua variante mais agressiva e fatal. A deteção precoce é
crucial, pois melhora significativamente as taxas de sobrevivência. No entanto, distinguir lesões
malignas de benignas permanece um desafio. A classificação automática de imagens de lesões
cutâneas, através de técnicas de deep learning tem demonstrado elevado potencial para apoiar
o diagnóstico clínico, destacando-se as Redes Neuronais Convolucionais (CNNs), como a
abordagem mais eficaz. Nesta dissertação foi desenvolvido e avaliado um sistema automático
de classificação binária de lesões cutâneas, baseado em CNNs e aplicado a um subconjunto de
3.000 imagens da base de dados ISIC 2024 - Skin Cancer Detection with 3D-TBP. Foram
comparadas quatro arquiteturas de referência (ResNet-50, Xception, EfficientNetB3 e
InceptionV3) em diferentes cenários de treino, explorando o impacto do transfer learning e de
várias técnicas de regularização e otimização. A sensibilidade foi definida como métrica
principal, pela sua relevância clínica, sendo complementada pela balanced accuracy (BACC)
e pela área sob a curva ROC (AUC). Os resultados demonstram que a InceptionV3 alcançou o
desempenho mais equilibrado com uma sensibilidade de 76.92%, BACC de 75.63% e AUC de
77.51%, revelando-se a arquitetura mais adequada para aplicação em sistemas de apoio ao
diagnóstico clínico.
EN
Skin cancer is one of the most prevalent and deadly types of cancer, with melanoma
representing its most aggressive and life-threatening variant. Early detection is crucial, as it
significantly improves survival rates. However, differentiating malignant from benign lesions
remains a major challenge. Automatic image classification using deep learning techniques has
shown great potential to support clinical diagnosis, with Convolutional Neural Networks
(CNNs) emerging as the most effective approach. This dissertation presents the development
and evaluation of an automatic binary classification system for skin lesions, based on CNNs
and applied to a subset of 3,000 images from the ISIC 2024 – Skin Cancer Detection with 3D-
TBP dataset. Four state-of-the-art architectures (ResNet-50, Xception, EfficientNetB3, and
InceptionV3) were compared under different training configurations, exploring the impact of
transfer learning as well as several regularization and optimization techniques. Sensitivity was
established as the primary evaluation metric, due to its clinical relevance, and was
complemented by balanced accuracy (BACC) and the area under the ROC curve (AUC). The
results show that InceptionV3 achieved the most balanced performance, with a sensitivity of
76.92%, BACC of 75.63%, and AUC of 77.51%, revealing itself as the most suitable
architecture for integration into computer-aided diagnosis systems in clinical practice.
