Ταξινόμηση εικόνων μελανώματος με σύνολα βαθιών συνελικτικών νευρωνικών δικτύων

Summary

Το κακόηθες μελάνωμα είναι η πιο θανατηφόρα μορφή καρκίνου του δέρματος και αποτελεί έναν από τους πιο ταχέως αυξανόμενους καρκίνους στον κόσμο. Η σωστή διάγνωση του μελανώματος σε πρώιμο στάδιο είναι κρίσιμη για την υψηλή πιθανότητα πλήρους θεραπείας. Η ευαισθητοποίηση τόσο του ασθενούς όσο και του ιατρού σχετικά με τα σημεία και τα συμπτώματα του πρώιμου μελανώματος παραμένει θεμελιώδης. Επομένως, ένα αξιόπιστο αυτόματο σύστημα ανίχνευσης του μελανώματος θα παρείχε μεγάλη βοήθεια στους κλινικούς ιατρούς για την ανίχνευση των κακοήθων βλαβών του δέρματος όσο το δυνατόν νωρίτερα. Τα τελευταία χρόνια, η αποδοτικότητα των μεθόδων που βασίζονται σε βαθιά μάθηση αυξήθηκε δραματικά και οι επιδόσεις τους φαίνεται να υπερβαίνουν τις παραδοσιακές μεθόδους επεξεργασίας εικόνας στις εργασίες ταξινόμησης.

Στην παρούσα μεταπτυχιακή εργασία, η οικογένεια EfficientNet των συνελικτικών νευρωνικών δικτύων χρησιμοποιείται και επεκτείνεται για την αναγνώριση κακοήθους μελανώματος σε ένα σύνολο δεδομένων που περιλαμβάνει 58.457 δερμοσκοπικές εικόνες χρωματισμένων βλαβών του δέρματος. Διεξάγεται μια συγκριτική μελέτη για τις επιπτώσεις διαφορετικών παραμετροποιήσεων εκπαίδευσης, προκειμένου να αποκαλυφθούν οι παράγοντες που συμβάλλουν στη βελτίωση της απόδοσης, ενώ όλα τα εκπαιδευμένα δίκτυα συνδυάζονται με μια στρατηγική συνένωσης (ensembling) για περαιτέρω βελτίωση των ατομικών αποτελεσμάτων. Η προτεινόμενη μέθοδος αξιολογήθηκε στο σύνολο δεδομένων SIIM-ISIC Melanoma Classification 2020 και το καλύτερο μοντέλο συνένωσης πέτυχε σκορ 0.9404 στην περιοχή κάτω από την καμπύλη ROC σε δεδομένα ελέγχου.