Estudio de técnicas de machine learning para el diagnóstico del melanoma y otras lesiones cutáneas a partir de imágenes

Abstract

El cáncer de piel es el tipo de cáncer más común y aunque el melanoma representa únicamente el 1% de este cáncer, es uno de los más mortales, especialmente si se detecta en estados avanzados. Un diagnóstico precoz permitiría aumentar las opciones de su tratamiento y la supervivencia de los pacientes. Este diagnóstico se realiza mediante la inspección visual de las lesiones, con la medición de parámetros que son potencialmente detectables por un sistema de visión artificial, como el tamaño, color y forma. Esto abre la puerta a poder contar con sistemas automáticos para el diagnóstico de lesiones de piel. El objetivo de este trabajo es la implementación de un clasificador automático de lesiones de piel. Para esto se ha utilizado el dataset HAM 10000, un conjunto de imágenes dermatoscópicas compilado con el propósito entrenar este tipo de sistemas. Para ello se ha partido de un prototipo inicial basado en el modelo EfficientNet y se han aplicado distintas técnicas para mejorar la respuesta del sistema. Además, con el fin de mejorar el entrenamiento del modelo, se ha aumentado el conjunto de datos original mediante el uso de redes generativas adversarias. El resultado de este trabajo es que partiendo de un resultado inicial de 0.34 de f1-score y 0.63 de accuracy, se ha logrado mejorar hasta un 0.75 de f1-score y 0.86 de accuracy. Este resultado es similar al obtenido por expertos humanos, por lo que podría ser utilizado como ayuda al diagnóstico y a la toma de decisiones.

Skin cancer is the most common type of cancer and although melanoma accounts for only 1% of skin cancer, it is one of the deadliest, especially if detected in advanced stages. An early diagnosis would allow increasing the options of its treatment and patient survival. This diagnosis is made by visual inspection of the lesions, measuring parameters that are potentially detectable by a computer vision system, such as size, colour and shape. This opens the door to automatic systems for the diagnosis of skin lesions. The objective of this work is the implementation of an automatic skin lesion classifier. For this purpose, we used the HAM 10000 dataset, a set of dermatoscopic images compiled to train this type of systems. To do this, we have started from an initial prototype based on the EfficientNet model and then different techniques have been applied to improve the system's response. In addition, to improve the training of the model, the original dataset has been augmented using generative adversarial networks. The result of this work is that starting from an initial result of 0.34 for the f1-score and 0.63 for the accuracy, it has been improved to 0.75 for the f1-score and 0.86 for the accuracy. This result is similar to that obtained by human experts, so it could be used as an aid to diagnosis and decision-making.

El càncer de pell és el tipus de càncer més comú i, encara que el melanoma representa únicament l'1% d'aquest càncer, és un dels més mortals, especialment si es detecta en estats avançats. Un diagnòstic precoç permetria augmentar les opcions del tractament i la supervivència dels pacients. Aquest diagnòstic es realitza mitjançant la inspecció visual de les lesions, amb el mesurament de paràmetres que són potencialment detectables per un sistema de visió artificial, com la mida, el color i la forma. Això obre la porta a poder comptar amb sistemes automàtics per al diagnòstic de lesions de pell. L'objectiu d'aquest treball és implementar un classificador automàtic de lesions de pell. Per això s'ha utilitzat el dataset HAM 10000, un conjunt d'imatges dermatoscòpiques compilat amb el propòsit d'entrenar aquest tipus de sistemes. S'ha partit d'un prototip inicial basat en el model EfficientNet i s'han aplicat diferents tècniques per millorar la resposta del sistema. A més, per millorar l'entrenament del model, s'ha augmentat el conjunt de dades original mitjançant l'ús de xarxes generatives adversàries. El resultat d'aquest treball és que partint d'un resultat inicial de 0,34 de f1-score i 0,63 d'accuracy, s'ha aconseguit millorar fins a un 0,75 de f1-score i 0,86 d'accuracy. Aquest resultat és similar a l'obtingut per experts humans, per la qual cosa podria ser utilitzat com a ajuda al diagnòstic i la presa de decisions.