Diseño de una herramienta para la clasificación de imágenes de cáncer de piel utilizando Redes Neuronales Profundas (DNN)

• Autores: Diana Paola Merchán Vargas, Helis Navarro Báez, Jaime Barrero Perez, Jeyson Arley Castillo Bohórquez
• Localización: Ciencia y tecnología, ISSN 1850-0870, ISSN-e 2344-9217, Nº. 21, 2021
• Idioma: español
• DOI: 10.18682/cyt.vi21.4612
• Títulos paralelos:
  • Design of a tool for the classification of skin cancer images using Deep Neural Networks (DNN)
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El cáncer de piel es una de las enfermedades más comunes en la población mundial. Habitualmente, el diagnóstico requiere la adquisición de imágenes dermatoscópicas. Tanto la biopsia como la histopatología se han utilizado en estadios avanzados. Su detección precoz es muy importante para aumentar la calidad y la esperanza de vida del paciente. En Colombia, la falta de profesionales calificados e instrumental médico dificulta esta tarea. La clasificación automática es un gran desafío, debido a la amplia variedad y morfología de las lesiones cutáneas. Hoy en día, Deep Learning alcanza niveles elevados de precisión en las tareas de clasificación de imágenes y está destinado a convertirse en una solución confiable para la clasificación de imágenes médicas. En esta investigación, utilizó estas ventajas de DNN para construir una red neuronal convolucional (CNN) entrenada con bases de datos de código abierto para la clasificación de lesiones cutáneas benignas y malignas. Después del proceso de entrenamiento, desarrollamos un sistema embebido con raspberry Pi 3 B + con una cámara genérica e implementamos la CNN descrita en Python basada en codificación. Para la clasificación benigna y maligna, el prototipo alcanzó un nivel de precisión del 91,06% en la puntuación F1 y una sensibilidad del 91,98%.

  • English

    Skin cancer is one of the most common diseases in the world population. Usually, the diagnosis requires the acquisition of dermatoscopic images. Both biopsy and histopathology have been used in advanced stages. Its early detection is very important to increase patient life quality and life expectancy. In Colombia, the lack of qualified professionals and medical instruments difficulties this task. The automatic classification is a huge challenge, due to ample variety and morphology in skin lesions. Nowadays, Deep Learning reaches elevated accuracy levels in image classification tasks and is set to become a reliable solution for medical image classification. In this research, used these DNN advantages to build a convolutional neural network (CNN) trained with open source databases to the classification of skin lesions benign and malignant. After the training process, we develop an embedded system with raspberry Pi 3 B+ with a generic camera and implemented the CNN described in Python coded-based. For the benign and malignant classification, the prototype reached an accuracy level of 91.06% in the F1 score and a recall of 91.98%.

• Referencias bibliográficas
  • Castillo, J. A., Granados, Y. C., & Fajardo, C. A. (2020). Patient-specific detection of atrial fibrillation in segments of ecg signals...
  • Chanampe, H., Aciar, S., Vega, M. d., Molinari Sotomayor, J. L., Carrascosa, G., & Lorefice, A. (2019). Modelo de redes neuronales convolucionales...
  • Chicco, D. J. (2020). The advantages of the matthews correlation coefficient (mcc) over f1 score and accuracy in binary classification evaluation....
  • Diana, H. (2021). Tesisredes-dianahellis-2021/skincancerclassifier. Obtenido de https://github.com/TesisRedes-DianaHellis-2021?tab=repositorie
  • Gamerosa, P. C., & Tellez, J. E. (2016). El cancer de piel, un problema actual. Revista de la Facultad de Medicina UNAM, vol. 59, no....
  • Glorot, X., & Bengio, Y. (2010). Understanding the difficulty of training deep feedforward neural networks. Proceedings of the thirteenth...
  • Mao, H. H. (2020). A survey on self-supervised pre-training for sequential transfer learning in neural networks. arXiv preprint arXiv:2007.00800.
  • Mikołajczyk, A., & Grochowski, M. (2018). Data augmentation for improving deep learning in image classification problem. 2018 international...
  • Morocho Jiménez, J. I. (2019). Detección de tumores cutáneos malignos y benignos usando una red neuronal convolucional. Quito: B.S. thesis.
  • Ng, A., Besounda Mourris, Y., & Karantoforoosh, K. (2021). Deep learning. Obtenido de https://www.coursera.org/specializations/deep-learning
  • Pérez Lorenzo, C., & et al. (2019). Detección precoz de cáncer de piel en imágenes basado en redes convolucionales,. B.S. thesis.
  • Powers, D. M. (2010). Evaluation: from precesion, recall and f-measure to roc, informedness, makedness and correlation. arXiv preprint a arxiv,...
  • Qin, Z., Yu, F., Liu, C., & Chen, X. (2018). How convolutional neural network see the world-a survey of convolutional neural network visualization...
  • Sanjay, M. (2018). Why and how to Cross Validate a Model? Obtenido de https://towardsdatascience.com/why-and-how-to-cross-validate-a-modeld6424b45261f
  • Shin, H.-C., Roth, H. R., Gao, M., Lu, L., Xu, Z., Nogues, I., . . . Summers, R. M. (2016). Deep convolutional neural networks for computer-aided...
  • Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, vol. 6, no. 1,,...
  • Sokolova, M., Japkowicz, N., & Szpakowicz, S. (2006). Beyond accuracy, f-score and roc: a family of discriminant measures for performance...
  • Static Raspberrypi. (s.f.). Raspberry pi modelbplus product brief. Obtenido de https://static.raspberrypi.org/files/product-briefs/raspberry-pi-modelbplusproduct-brief.pdf
  • Tschandl, P. (2018). The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Obtenido...
  • Xia, B., Zhang, H., & Li, Q. L. (2015). Pets: A stable and accurate redictor of protein-protein interacting sites based on xtremely-randomized...