Clasificación de lesiones dermatológicas a partir de imágenes dermoscópicas mediante el aprendizaje automático

Abstract

Las lesiones dermatológicas tienen una gran incidencia en la población humana. No obstante, sus consecuencias pueden mitigarse si se diagnostican a tiempo. En este sentido, resultaría interesante construir herramientas para profesionales del ámbito sanitario que fueran capaces de ayudar en su detección y diagnóstico precoz. El objetivo de este trabajo es el de crear un modelo que, utilizando técnicas de aprendizaje automático, desarrolle la capacidad de reconocer y clasificar este tipo de lesiones correctamente a partir de imágenes dermoscópicas de pacientes. Se ha considerado un conjunto de imágenes dermoscópicas correspondientes a 9 categorías de lesiones dermatológicas bien definidas provenientes del archivo ISIC 2019. Esta colección de imágenes, catalogadas y etiquetadas por dermatólogos profesionales, servirá de base para entrenar un modelo de red neuronal convolucional que las clasificará. En este trabajo, se utilizan exclusivamente modelos neuronales basados en la familia de arquitecturas EfficientNet. El método general que se ha seguido consta de las siguientes etapas: 1.- Recopilación de información sobre el estado del arte de la clasificación de imágenes usando modelos neuronales. 2.- Obtención de modelos candidatos EfficientNet, entrenándolos utilizando técnicas del estado del arte y recurriendo también a técnicas de ensamblado. 3.- Evaluación de los modelos candidatos en base a la puntuación de la medida objetivo definida en la competición ISIC 2019. Atendiendo únicamente a la medida objetivo, un modelo EfficientNet ensamblado resultó ser más adecuado que el mejor de sus modelos componentes. Sin embargo esta mejoría no resultó ser absoluta cuando se examinaron métricas más específicas.

Dermatological lesions have a high incidence in the human population. However, its consequences can be mitigated if they are diagnosed early. In this sense, it would be interesting to build tools for healthcare professionals who are capable of helping in its early detection and diagnosis. The objective of this work is to create a model that, using machine learning techniques, develops the ability to recognize and classify these types of lesions correctly from dermoscopic images of patients. A set of dermoscopic images corresponding to 9 categories of well-defined dermatological lesions from the ISIC 2019 archive has been considered. This collection of images, cataloged and labeled by professional dermatologists, will serve as the basis for training a convolutional neural network model that will classify them. In this work, exclusively neural models based on the EfficientNet family of architectures are used. The general method that has been followed consists of the following stages: 1.- Compilation of information on the state of the art of image classification using neural models. 2.- Obtaining candidate EfficientNet models, training them using state-of-the-art techniques and also resorting to assembly techniques. 3.- Evaluation of the candidate models based on the score of the objective measure defined in the ISIC 2019 competition. According to the target measure, an assembled EfficientNet model turned out to be more suitable than the best of its component models. However, this improvement did not turn out to be absolute when more specific metrics were examined.

Les lesions dermatològiques tenen una gran incidència a la població humana. No obstant això, les conseqüències es poden mitigar si es diagnostiquen a temps. En aquest sentit, resultaria interessant construir eines per a professionals de l'àmbit sanitari que fossin capaços d'ajudar en la detecció i el diagnòstic precoç. L'objectiu d'aquest treball és crear un model que, utilitzant tècniques d'aprenentatge automàtic, desenvolupi la capacitat de reconèixer i classificar aquest tipus de lesions correctament a partir d'imatges dermoscòpiques de pacients. S'ha considerat un conjunt d'imatges dermoscòpiques corresponents a 9 categories de lesions dermatològiques ben definides provinents de l'arxiu ISIC 2019. Aquesta col·lecció d'imatges, catalogades i etiquetades per dermatòlegs professionals, servirà de base per entrenar un model de xarxa neuronal convolucional que les classificarà. En aquest treball es fan servir exclusivament models neuronals basats en la família d'arquitectures EfficientNet. El mètode general que s'ha seguit consta de les etapes següents: 1.- Recopilació d'informació sobre l'estat de l'art de la classificació d'imatges fent servir models neuronals. 2.- Obtenció de models candidats EfficientNet, entrenant-los utilitzant tècniques de l'estat de l'art i recorrent també a tècniques d'acoblament. 3.- Avaluació dels models candidats sobre la base de la puntuació de la mesura objectiu definida a la competició ISIC 2019. Atenent únicament a la mesura objectiu, un model EfficientNet ensamblat va resultar ser més adequat que el millor dels seus models components. No obstant això, aquesta millora no va resultar ser absoluta quan es van examinar mètriques més específiques.