Detección de melanoma en imágenes dermatoscópicas mediante el uso de información contextual y Redes Neuronales Convolucionales

Resumen

Resumen:

La detección temprana del melanoma, considerado como el tipo de cáncer de piel más agresivo, es de vital importancia para evitar su rápida propagación y disminuir las tasas de mortalidad en etapas avanzadas. Sin embargo, su diagnóstico supone importantes desafíos debido a la diversidad en las características de las lesiones y la poca accesibilidad a médicos expertos en el área de la dermatología.

El método de detección más empleado por médicos especializados es la derma­ toscopia, un método no invasivo que permite visualizar imágenes aumentadas de las lesiones de piel en busca de potenciales patrones característicos de una lesión maligna. Sin embargo, este sistema puede derivar en falsas interpretaciones, además de no ser una herramienta accesible a todos los servicios médicos.

Ante este escenario, surge la necesidad de desarrollar nuevos métodos de diagnósti­ co efectivos y precisos, por lo que en el presente Proyecto Fin de Grado se desarrolla un sistema de clasificación de imágenes basado en aprendizaje profundo capaz de generar un diagnóstico de melanoma sobre imágenes dermatoscópicas, tomando en cuenta además, información contextual del paciente como la parte del cuerpo donde se aloja la lesión, el sexo y la edad; siendo estos parámetros tomados en cuenta por dermatólogos al momento de dar un diagnostico.

El modelo presentado ha sido entrenado, validado y evaluado empleando los con­ juntos de datos ofrecidos por la Society for Imaging Informatics in Medicine (SIIM) en colaboración con el Intemational Skin Imaging Collaboration (ISIC) para su des­ afío propuesto para los años 2019 y 2020. Se ha desarrollado un sistema dividido en tres etapas o módulos: evaluando en el primer módulo las imágenes dermatoscopicas, en el segundo los datos contextuales del paciente y en el tercero el ensamblado de am­ bos módulos, donde se realiza una ponderación de predicciones por el método de Soft Voting. Con este sistema se consigue realizar un diagnóstico con una exhaustividad del 75,62 % y una precisión del 56,75 %.

Abstract:

Early detection of melanoma, considered the most aggressive type of skin cancer, is of vital importance to prevent its rapid spread and reduce mortality rates in advanced stages. However, its diagnosis poses significant challenges due to the diversity in the characteristics of the lesions and the low accessibility to expert physicians in the field of dermatology.

The detection method most used by specialized doctors is dermoscopy, a non­ invasive method that allows viewing magnified images of skin lesions in search of potential characteristic patterns of a malignant lesion. However, this system can lead to false interpretations, in addition to not being a too!accessible to ali medica! services.

Given this scenario, the need arises to develop new effective and precise diagnostic methods, so in this Final Degree Project an image classification system based on deep learning capable of generating a diagnosis of melanoma on dermoscopic images is developed. also taking into account the contextual information of the patient such as the part of the body where the lesion is located, the sex and the age of the patient; These parameters are taken into account by dermatologists when making a diagnosis.

The presented model has been trained, validated and evaluated using the data sets offered by the Society far Imaging Informatics in M edicine (SIIM) in collaboration with the Intemational Skin Imaging Collaboration (ISIC) for their proposed challen­ ge for the year 2019 and 2020. A system divided into three stages or module was developed, evaluating in the first module the dermoscopic images, in the second the contextual data of the patient and in the third the assembly of both modules, where a weighting of predictions is carried out after the method of textitSoft Voting. With this system it is possible to carry out a diagnosis with a completeness of 75.62 % and a precision of 56.75 %.