Ανάπτυξη ευφυούς συστήματος για την αναγνώριση μελανωμάτων

Development of an intelligent system for melanoma detection (Αγγλική)

  1. MSc thesis
  2. Βόλλας, Σπυρίδων
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. 24 Σεπτεμβρίου 2022 [2022-09-24]
  5. Ελληνικά
  6. 86
  7. Περίκος, Ισίδωρος
  8. Μπεληγιάννης, Γρηγόριος | Ορφανουδάκης, Θεοφάνης
  9. Μελάνωμα | Melanoma | Μηχανική Μάθηση | Machine Learning | Συνελικτικά Νευρωνικά Δίκτυα | Convolutional Neural Networks | Βαθιά υπολειμματικά δίκτυα | Deep Residual Networks | Δίκτυα κάψουλας | Capsule Networks
  10. 1
  11. 54
  12. Περιέχει: εικόνες, πίνακες, σχήματα
    • Το μελάνωμα αποτελεί την πιο επικίνδυνη μορφή καρκίνου του δέρματος. Η μη έγκαιρη διάγνωσή του μπορεί να προκαλέσει μεταστάσεις σε λεμφαδένες και εσωτερικά όργανα. Αυτό έχει ως αποτέλεσμα τον θάνατο του ασθενούς. Κάθε χρόνο εκατοντάδες χιλιάδες άνθρωποι στον κόσμο προσβάλλονται από αυτή την μορφή καρκίνου με δεκάδες χιλιάδες από αυτούς να οδηγούνται στον θάνατο. Παρόλα αυτά η διάγνωσή του σε πρώιμο στάδιο μπορεί να οδηγήσει στην πλήρη ίαση των ασθενών καθιστώντας την πιο σημαντική παράμετρο στην καταπολέμησή του. Σήμερα υπάρχουν αρκετοί μέθοδοι κλινικής διάγνωσης του καρκίνου του δέρματος οι οποίοι στοχεύουν σε αυτό τον σκοπό. Τα τελευταία χρόνια όμως ένα υποπεδίο της επιστήμης των υπολογιστών, αυτό της μηχανικής μάθησης έχει προστεθεί στην προσπάθεια της έγκαιρης διάγνωσης τόσο των καρκινικών όσο και των υπολοίπων δερματικών βλαβών. Στόχος της είναι η ανάπτυξη αλγορίθμων που να μπορούν να εντοπίζουν και στην συνέχεια να είναι σε θέση να διαγνώσουν σωστά το είδος των δερματικών βλαβών. Όμως υπάρχουν παράγοντες που καθιστούν την ανάπτυξη τέτοιων αλγορίθμων ένα δύσκολο έργο. Για παράδειγμα η ομοιότητα μεταξύ των δερματικών βλαβών, η παρουσία διαφόρων θορύβων στην εικόνα όπως και η μικρή διαφορά στα χρώματα της βλάβης και του δέρματος, μπορούν να επηρεάσουν σε μεγάλο βαθμό την απόδοση τέτοιων αλγορίθμων. Σκοπός της παρούσας διπλωματικής εργασίας είναι αρχικά η μελέτη της σχετικής βιβλιογραφίας. Στην συνέχεια επιχειρείται η δοκιμή διαφόρων αλγορίθμων που ως στόχο θα έχουν την όσο το δυνατόν μεγαλύτερη ακρίβεια στην κατηγοριοποίηση του μελανώματος καθώς και των άλλων δερματικών βλαβών. Οι αρχιτεκτονικές που εξετάστηκαν είναι τα συνελικτικά νευρωνικά δίκτυα, τα βαθιά συνελικτικά νευρωνικά δίκτυα, τα βαθιά υπολειμματικά δίκτυα καθώς και τα δίκτυα κάψουλας. Πιο συγκεκριμένα τα πειράματα διεξήχθησαν με ένα απλό συνελικτικό νευρωνικό δίκτυο, τις αρχιτεκτονικές DesNet121 και ResNet50, ένα δίκτυο κάψουλας καθώς και μια ensemble μέθοδο η οποία αποτελείται από τις αρχιτεκτονικές DesNet121 και ResNet50. Για τις μεθόδους DenseNet121 και ResNet50 χρησιμοποιήθηκε η τεχνική της μεταφοράς μάθησης κατά την φάση της εκπαίδευσή τους. Τα σύνολα δεδομένων που χρησιμοποιήθηκαν στην παρούσα εργασία είναι τα HAM10000 και ISIC 2019. Την καλύτερη απόδοση από τις αρχιτεκτονικές που επιλέχθηκαν πέτυχε η ensemble μέθοδος με ακρίβεια ίση με 79.58%.
    • Melanoma is the most dangerous type of skin cancer. Untimely diagnosis can cause metastases to lymph nodes and internal organs. This results in the death of the patient. Every year hundreds of thousands of people in the world are affected by this form of cancer, with tens of thousands of them leading to death. However, diagnosis at an early stage can lead to complete cure of patients making it the most important parameter in the fight against it. Today there are several methods of clinical diagnosis of skin cancer which aim at this purpose. In recent years, however, a subfield of computer science, that of machine learning, has been added to the effort of early diagnosis of both cancerous and other skin lesions. Its goal is to develop algorithms that can identify and then be able to correctly diagnose the type of skin lesions. However, there are factors that make the development of such algorithms a difficult task. For example, the similarity between skin lesions, the presence of various noises as well as the low contrast between the lesion and the skin can greatly affect the performance of such algorithms. The aim of this thesis is at first to study the relevant literature. Subsequently, an attempt is made to test various algorithms aimed at achieving the highest possible accuracy in the categorization of melanoma as well as other skin lesions. The architectures that was tested are convolutional neural networks, deep convolutional neural networks, deep residual networks as well as capsule networks. More specifically, the experiments were conducted with a simple convolutional neural network, the DesNet121 and ResNet50 architectures, a capsule network as well as an ensemble method which consists of the DesNet121 and ResNet50 architectures. For the DenseNet121 and ResNet50 methods, the transfer learning technique was used for the phase of training. The datasets used in this work are HAM10000 and ISIC 2019. The best performance among the selected architectures was achieved by the ensemble method with an accuracy equal to 79.58%.
  14. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.