Avaliação da viabilidade de Spiking Neural Networks em dispositivos móveis para diagnóstico de câncer de pele
Carregando...
Data
Autores
Orientador
Passos Junior, Leandro Aparecido 
Coorientador
Pós-graduação
Curso de graduação
Bauru - FC - Ciência da Computação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Este trabalho investiga a viabilidade de Spiking Neural Networks (SNNs) em dispositivos móveis para apoio ao diagnóstico de câncer de pele, comparando-as com uma arquitetura convolucional convencional em condições controladas. Utilizou-se um conjunto de dados derivado da ISIC, disponível no Kaggle, estratificado em treino (5,000 benignas e 4,605 malignas) e teste (500/500), com pré-processamento padronizado (redimensionamento para 224×224, conversão para tons de cinza e normalização em [0, 1]). A CNN, inspirada na AlexNet, foi treinada por 20 épocas com seleção do melhor ponto via F1-macro; seu desempenho no teste atingiu acurácia de 90,6%, com precisão e recall próximos de 0,9, e teve o gasto energético medido com o Zeus. A SNN espelhou a arquitetura da CNN, substituindo ativações por camadas LIF (𝛽 = 0,8) ao longo de 10 time steps e treinada com surrogate gradients; no teste, obteve 89,3% de acurácia e 𝐹1 = 0,8997 (≈ 1,3 p.p. abaixo da CNN). Quanto à energia, registrou-se na CNN um gasto de ≈ 25,300 J durante o treinamento e ≈ 111 J durante a fase de testes. A SNN não foi medida no hardware convencional, pois seus ganhos se manifestam sobretudo em hardware neuromórfico, no qual a literatura sugere uma economia de energia melhor em comparação à CNN. Em síntese, os resultados indicam que SNNs são podem ser viáveis quando a restrição energética é crítica e há acesso a hardware neuromórfico, embora persista um pequeno decréscimo de acurácia e desafios de engenharia.
Resumo (inglês)
This work investigates the feasibility of Spiking Neural Networks (SNNs) on mobile devices to support skin cancer diagnosis, comparing them with a conventional convolutional architecture under controlled conditions. An ISIC-derived dataset, available on Kaggle, was used, stratified into training (5,000 benign and 4,605 malignant) and test (500/500), with standardized preprocessing (resizing to 224 × 224, conversion to grayscale and normalization in [0, 1]). The CNN, inspired by AlexNet, was trained for 20 epochs with best checkpoint selection via F1-macro; its test performance reached 90,6% accuracy, with precision and recall close to 0,9, and had energy consumption measured with Zeus. The SNN mirrored the CNN architecture, replacing activations with LIF layers (𝛽 = 0,8) over 10 time steps and trained with surrogate gradients; in the tests, it obtained 89,3% accuracy and 𝐹1 = 0,8997 (≈ 1,3 p.p. below the CNN). Regarding energy, the CNN recorded a consumption of ≈ 25,300 J during training and ≈ 111 J during the testing phase. The SNN was not measured on conventional hardware, because its gains manifest mainly on neuromorphic hardware, in which the literature suggests that SNNs are generally more energy efficient when compared to their CNN counterpart. In summary, the results indicate that SNNs are may be viable when the energy constraint is critical and there is access to neuromorphic hardware, although a small decrease in accuracy and engineering challenges persist.
Descrição
Palavras-chave
Redes neurais, Inteligência artificial, Melanoma, Spiking Neural Network, Convolutional Neural Network
Idioma
Português
Citação
LEAL, Fábio Halben Guerra. Avaliação da viabilidade de Spiking Neural Networks em dispositivos móveis para diagnóstico de câncer de pele. 2025. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) – Faculdade de Ciências, Universidade Estadual Paulista (UNESP), Bauru, 2025.
