Classifying melanoma images with ensembles of deep convolutional neural networks / Ταξινόμηση εικόνων μελανώματος με σύνολα βαθιών συνελικτικών νευρωνικών δικτύων

Summary

Malignant melanoma is the deadliest form of skin cancer and is one of the most rapidly increasing cancers in the world. Proper diagnosis of melanoma at an earlier stage is crucial for a high rate of complete cure. Both patient and physician awareness regarding the signs and symptoms of early melanoma remains paramount. Hence, a reliable automatic melanoma screening system would provide a great help for clinicians to detect the malignant skin lesions as early as possible. In the last years, the efficiency of deep learning-based methods increased dramatically and their performances seem to outperform conventional image processing methods in classification tasks.

In this master thesis, the EfficientNet family of convolutional neural networks is utilized and extended for identifying malignant melanoma on a dataset of 58,457 dermoscopic images of pigmented skin lesions. A comparative study of the effects of different training configurations is conducted to reveal what contributes to improve performance, and all trained networks are aggregated with an ensembling strategy to further improve individual results. The proposed method has been evaluated on the SIIM-ISIC Melanoma Classification 2020 dataset and the best ensemble model achieved 0.9404 area under the ROC curve score on hold out test data.

Περίληψη

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.