Commerce selon le niveau de revenu

Uma das primeiras etapas para a realizac¸˜ao desta obra ´e a obtenc¸˜ao das bases de dados, e a escolha do modelo pr´e-treinado para a utilizac¸˜ao no desenvolvimento, treinamento da rede neural, em seguida foi feito o pr´e-processamento dos dados, ajuste da ´ultima camada do modelo pr´e-treinado para a resoluc¸˜ao para o problema proposto, treinamento da rede neural e validac¸˜ao dos resultados, caso n˜ao seja validado os resultados, o treinamento se repetir´a com os parˆametros atualizados e caso seja validado os resultados ser˜ao divulgados, o fluxograma da aproximac¸˜ao experimental pode ser vista na Figura 23.

O modelo escolhido foi a DenseNet201 pois obteve uma taxa de erro de 21,46 no top- 1 e 5.54 no top-5 (HUANG et al., 2017). A primeira etapa foi fazer o redimensionamento das imagens, a dimens˜ao utilizada foi 224 X 224, tamb´em foi feito um aumento de dados para se obter uma maior quantidade de imagens, as t´ecnicas aplicadas foram rotac¸˜oes para 90◦, 180◦e 270◦e tamb´em foi aplicado um filtro de blur (Figura 21).

Foram propostos 4 experimentos para a avaliac¸˜ao deste trabalho, os experimentos propostos podem ser vistos abaixo:

• Experimento 1: Classificac¸˜ao da classe do cˆancer separado pela ampliac¸˜ao da imagem extra´ıda das lˆaminas;

• Experimento 2: Classificac¸˜ao do tipo do cˆancer separado pela ampliac¸˜ao da imagem extra´ıda das lˆaminas;

• Experimento 3: Classificac¸˜ao da classe e tipo do cˆancer sem a separac¸˜ao por ampliac¸˜ao da imagem extra´ıda das lˆaminas;

• Experimento 4: Classificac¸˜ao do tipo do tumor sem a distinguir pela ampliac¸˜ao da imagem extra´ıda das lˆaminas.

Figura 21 – Transformac¸˜oes aplicadas, a) Rotac¸˜ao em 90◦, b) Rotac¸˜ao em 180◦, Rotac¸˜ao em 270◦, d) Filtro de blur.

Fonte: Autoria Pr´opria.

utilizado para o problema hier´arquico, esse problema foi notado quando se analisou a base de dados contendo as imagens de tumores. Para este trabalho foi escolhido o local classifier per levelpara abordar o problema da hierarquia, esse m´etodo, consiste em treinar um classificador multiclasse por n´ıvel da hierarquia, considerando este trabalho ter´ıamos dois classificadores, um para classificar a classe do tumor e outro para classificar a subclasse do tumor. A figura 22 ilustra esse m´etodo., pois com essa abordagem tem-se uma melhor classificac¸˜ao dos tumores e uma melhor representac¸˜ao de como uma analise ´e feita por um patologista. Outras duas t´ecnicas tamb´em empregadas para que este trabalho pudesse ser realizado e tivesse um tempo de desenvolvimento adequado e minimizac¸˜ao de custos referentes a uma poss´ıvel aquisic¸˜ao de hardwares, foi levantado a necessidade de utilizac¸˜ao da t´ecnica de transferˆencia de aprendizado (transfer learning). Para o desenvolvimento deste trabalho foi utilizado um modelo pr´e treinado do reposit´orio encontrado no Github da DenseNet11 onde o pr´oprio autor do artigo ((HUANG et al., 2017)) das DenseNets disponibiliza.

Para os Experimentos 1 e 2 foram feitas as classificac¸˜oes das imagens histopatol´ogicas com a distinc¸˜ao pela ampliac¸˜ao, para esses dois experimentos separou-se um total de 4.000 imagens fazendo sua separac¸˜ao em treino (80%) e validac¸˜ao/teste (20%) ficando com um

Figura 22 – aproximac¸˜ao local classifier per level Fonte: Autoria Pr´opria.

total de 3.200 imagens para treino e 400 imagens para teste e 400 para validac¸˜ao, para estes experimentos usou-se 30 ´epocas na fase de treino.

Para os Experimentos 3 e 4 foram feitas as mesmas classificac¸˜oes dos dois experimentos anteriores porem sem a distinc¸˜ao de ampliac¸˜ao, com a tentativa de verificar se a rede neural atingiria uma mesma performance sem a magnitude das imagens, ou seja, as ampliac¸˜oes de 40X, 100X, 200X e 400X foram tratadas como sendo do mesmo grupo, para estes dois experimentos utilizou-se um total de 9.600 imagens, sendo 7.680 para treino, 960 para validac¸˜ao e 960 para teste, para estes experimentos decidiu-se aumentar o n´umero de ´epocas para 60, pois assim a rede teria mais tempos para a generalizac¸˜ao.

Para os experimentos 1 e 3 utilizou-se binary crossentropy como func¸˜ao de perda enquanto que para os experimentos 2 e 4 se utilizou categorical crossentropy como func¸˜ao perda, como otimizador, para todos os experimentos se utilizou o Adam proposto em (KINGMA; BA, 2015). Outros parˆametros utilizados no treinamento que n˜ao se alterou entre os experimentos foram, a taxa de aprendizado que foi de 10−5 com um tamanho de lote de 32, o total de passos por ´epoca pode ser definido pela Equac¸˜ao 10. e para todos os experimentos se utilizou a t´ecnica do data augmentation e transferˆencia de aprendizado.

Iters = numero de amostras´

tamanho do lote (10)

O m´etodo de avaliac¸˜ao utilizado foi acur´acia (Equac¸˜ao 11) e erro absoluto m´edio (Equac¸˜ao 12). A acur´acia basicamente ´e a taxa que um modelo classificou corretamente, formalmente a acur´acia pode ser definida como:

acuracia´ = TruePositive(%) + TrueNegative(%)

2 (11)

O Erro Absoluto M´edio (MAE) mede a magnitude m´edia dos erros em um conjunto de previs˜oes, sem considerar sua direc¸˜ao. ´E a m´edia da amostra de teste das diferenc¸as absolutas entre a previs˜ao e a observac¸˜ao real, em que todas as diferenc¸as individuais tˆem peso igual. O MAE tem uma interpretac¸˜ao clara como a diferenc¸a absoluta m´edia entre yie ˆy.

MAE = 1 n n

∑

O fluxograma da aproximac¸˜ao experimental pode ser visto na Figura 23. A duas primeiras etapas foram a escolha do modelo pr´e-treinado e a obtenc¸˜ao da base de dados, logo em seguida entra a fase de pr´e-processamento dos dados, com os dados pr´e-processamento foi dado a fase de treinamento da rede neural, por fim se analisar´a os resultados, se os resultados forem validados os resultados ser˜ao divulgados, caso contrario se treinar´a novamente a rede neural com os parˆametros atualizados.

Figura 23 – Fluxograma de trabalho para a implementac¸˜ao da rede neural. Fonte: Autoria Pr´opria

4 RESULTADOS E DISCUSS ˜OES

Neste cap´ıtulo ser˜ao apresentados os resultados de acordo com as experimentac¸˜oes propostas no Cap´ıtulo 3. Os resultados obtidos ser˜ao apresentados na sequˆencia em que foram definidos no cap´ıtulo anterior.