Entrenament d'una xarxa neuronal per al diagnòstic de lesions de la pell amb el dataset HAM10000

Abstract

Hi han diverses tècniques que es poden aplicar per al diagnòstic del càncer de pell. A més de les tècniques de cirurgia menor com la biòpsia, es poden aplicar tècniques de diagnòstic per la imatge. El diagnòstic per la imatge és, essencialment, un problema de classificació d'imatges. És un problema escaient, doncs, per a ser resolt amb tècniques de Machine Learning /Deep Leaarning (ML/DL). La temàtica del Treball Final de Màster (TFM) és la classificació d'imatges aplicada al diagnòstic de lesions de la pell, com poden ser els càncers de pell. Més que aconseguir uns resultats òptims en la classificació, l'objectiu principal ha estat desenvolupar una comprensió general de conceptes i tècniques bàsiques de ML/DL aplicada a la classificació d'imatges mèdiques. I també el coneixement i aplicació de tècniques bàsiques de ML/DL per a la millora de les característiques (principalment mAP i F1-Score) de la xarxa classificadora. Tenint en compte les restriccions de temps i recursos disponible, per a la classificació s'ha utilitzat una xarxa neuronal petita de tipus ResNet18 que ha estat entrenada amb el dataset HAM10000 mitjançant tècniques d'Aprenentatge Automàtic Supervisat, utilitzant scripts desenvolupats amb Python i el framework PyTorch, sobre diferents entorns de treball. S'ha seguit una metodologia iterativa i incremental. Aquesta memòria recull els resultats obtinguts, així com breus introduccions als diferents aspectes teòrics i pràctics que s'han tractat.

There's a variety of techniques availables in the skin cancer diagnosis. Moreover minor surgery techniques, as biopsy, it's possible to apply diagnosis through image. Image Diagnostics is, in essence, a classification image problem. So, it's a problem that can be solved using Machine Learning and Deep Learning techniques. The subject of this work is the image classification applied to diagnosis of skin lesions, as skin cancer is. But more important that achieving optimal results in classification, the main objective has been to acquire a general understanding of basic concepts and techniques in Machine Learning / Deep Learning applied to Medical Images Classification. And the knowledge and practical use o Machine Learning / Deep Learning basic techniques for improving the performance of the classifier networks. Having in consideration the limitations in time and hardware resources availables, it has been used a little neural netwok of the Resnet18 type. The Neural network has been trained using the HAM10000 dataset involving Supervised Machine Learning techniques, with the use of scripts and classes developped in Python and the PyTorch framework over differents development environments. The methodology followed has been iterative and incremental. This work compiles the results, and brief introductions to the different theroretical amb practical aspects treated.

Hay varias técnicas que se pueden aplicar para el diagnóstico del cáncer de piel. Además de las técnicas de cirugía menor como la biopsia, se pueden aplicar técnicas de diagnóstico por la imagen. El diagnóstico por la imagen es, esencialmente, un problema de clasificación de imágenes. Es un problema oportuno, pues, para ser resuelto con técnicas de Machine Learning /Deep Leaarning (ML/DL). La temática del Trabajo Final de Máster (TFM) es la clasificación de imágenes aplicada al diagnóstico de lesiones de la piel, como pueden ser los cánceres de piel. Más que conseguir unos resultados óptimos en la clasificación, el objetivo principal ha estado desarrollar una comprensión general de conceptos y técnicas básicas de ML/DL aplicada a la clasificación de imágenes médicas. Y también el conocimiento y aplicación de técnicas básicas de ML/DL para la mejora de las características (principalmente mAP y F1-Score) de la red classificadora. Teniendo en cuenta las restricciones de tiempos y recursos disponible, para la clasificación se ha utilizado una red neuronal pequeña de tipo ResNet18 que ha sido entrenada con el dataset HAM10000 intermediando técnicas de Aprendizaje Automático Supervisado, utilizando scripts desarrollados con Python y lo framework PyTorch, sobre diferentes entornos de trabajo. Se ha seguido una metodología iterativa e incremental. Esta memoria recoge los resultados obtenidos, así como breves introducciones a los diferentes aspectos teóricos y prácticos que se han tratado.