Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Graduate Program of Informatics | - |
Autor(es): dc.contributor | Regensburg Medical Image Computing (ReMIC) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Souza, Luis A. | - |
Autor(es): dc.creator | Pacheco, Andre G. C. | - |
Autor(es): dc.creator | De Angelo, Gabriel G. | - |
Autor(es): dc.creator | Oliveira-Santos, Thiago | - |
Autor(es): dc.creator | Palm, Christoph | - |
Autor(es): dc.creator | Papa, Joao P. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T23:25:29Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T23:25:29Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2023-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/SIBGRAPI62404.2024.10716324 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/305260 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/305260 | - |
Descrição: dc.description | Skin cancer is the most common type of cancer in the world, accounting for approximately 30% of all diagnosed tumors. Early diagnosis reduces mortality rates and prevents disfiguring effects in different body regions. In recent years, machine learning techniques, particularly deep learning, have shown promising results in this task, presenting studies that have demonstrated that combining a patient's clinical information with images of the lesion is crucial for improving the classification of skin lesions. Despite that, meaningful use of clinical information with multiple images is mandatory, requiring further investigation. Thus, this project aims to contribute to developing multimodal machine learning-based models to cope with the skin lesion classification task employing a lightweight transformer model. As a main hypothesis, models can take multiple images from different sources as input, along with clinical information from the patient's history, leading to a more reliable diagnosis. Our model deals with the not-trivial task of combining images and clinical information (from anamneses) concerning the skin lesions in a lightweight transformer architecture that does not demand high computation resources but still presents competitive classification results. | - |
Descrição: dc.description | Federal University of Espírito Santo Graduate Program of Informatics | - |
Descrição: dc.description | OTH Regensburg Regensburg Medical Image Computing (ReMIC) | - |
Descrição: dc.description | São Paulo State Univesity Department of Computing | - |
Descrição: dc.description | São Paulo State Univesity Department of Computing | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Brazilian Symposium of Computer Graphic and Image Processing | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Deep learning | - |
Palavras-chave: dc.subject | Lightweight Architectures | - |
Palavras-chave: dc.subject | Skin Lesion Detection | - |
Palavras-chave: dc.subject | Transformers | - |
Título: dc.title | LiwTERM: A Lightweight Transformer-Based Model for Dermatological Multimodal Lesion Detection | - |
Tipo de arquivo: dc.type | aula digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: