Η παρούσα πτυχιακή εργασία πραγματεύεται την αναγνώριση και κατηγοριοποίηση δερματικών βλαβών, με ιδιαίτερη έμφαση στο μελάνωμα, μέσω τεχνικών βαθιάς μάθησης και μεθόδων εξηγησιμότητας. Στόχος της εργασίας ήταν να διερευνηθεί κατά πόσο σύγχρονα μοντέλα τεχνητής νοημοσύνης μπορούν να υποστηρίξουν την ανάλυση δερματοσκοπικών εικόνων, όχι μόνο ως προς την τελική πρόβλεψη, αλλά και ως προς τον τρόπο με τον οποίο οδηγούνται σε αυτή.

Στο θεωρητικό μέρος παρουσιάστηκε το βασικό υπόβαθρο των δερματικών βλαβών, η σημασία της έγκαιρης ανίχνευσης του μελανώματος, καθώς και ο ρόλος της τεχνητής νοημοσύνης στην ιατρική εικόνα. Παράλληλα, εξετάστηκαν βασικά σύνολα δεδομένων που χρησιμοποιούνται σε αντίστοιχες εφαρμογές, όπως τα HAM10000, ISIC, PH2 και Derm7pt, καθώς και οι μετρικές αξιολόγησης που είναι απαραίτητες σε προβλήματα με ανισορροπία κατηγοριών.

Στο πειραματικό μέρος υλοποιήθηκαν και αξιολογήθηκαν διαφορετικές αρχιτεκτονικές βαθιάς μάθησης για δυαδική και πολυκατηγορική ταξινόμηση δερματοσκοπικών εικόνων. Δοκιμάστηκαν συνελικτικά νευρωνικά δίκτυα, μοντέλα μετασχηματιστών και υβριδικές προσεγγίσεις, ενώ εφαρμόστηκαν τεχνικές προεπεξεργασίας, διαχωρισμού δεδομένων και αξιολόγησης με βάση μετρικές όπως accuracy, precision, recall, F1-score και AUC. Τα αποτελέσματα έδειξαν ότι τα μοντέλα μπορούν να πετύχουν ικανοποιητική απόδοση, ειδικά όταν η εκπαίδευση γίνεται με σωστά οργανωμένα δεδομένα και κατάλληλη πειραματική διαδικασία. Παράλληλα, αναδείχθηκε ότι η ακρίβεια από μόνη της δεν αρκεί, καθώς η αξιολόγηση πρέπει να λαμβάνει υπόψη και την απόδοση στις λιγότερο συχνές ή πιο κρίσιμες κατηγορίες.

Τέλος, εφαρμόστηκαν τεχνικές εξηγησιμότητας, όπως Grad-CAM, Grad-CAM++, SHAP και LIME, με σκοπό την οπτική ερμηνεία των αποφάσεων των μοντέλων. Οι τεχνικές αυτές έδειξαν ότι σε αρκετές περιπτώσεις τα μοντέλα εστίαζαν σε περιοχές σχετικές με τη βλάβη, ενώ σε άλλες περιπτώσεις ανέδειξαν περιορισμούς και ανάγκη προσεκτικότερης αξιολόγησης. Συνολικά, η εργασία καταλήγει ότι η βαθιά μάθηση μπορεί να αποτελέσει χρήσιμο υποστηρικτικό εργαλείο στην ανάλυση δερματοσκοπικών εικόνων, όταν συνδυάζεται με κατάλληλη αξιολόγηση και ερμηνευσιμότητα.

This thesis focuses on the recognition and classification of skin lesions, with particular emphasis on melanoma, using deep learning techniques and explainability methods. The main objective was to investigate whether modern artificial intelligence models can support the analysis of dermoscopic images, not only through their final predictions, but also through a better understanding of the visual features on which these predictions are based.

The theoretical part of the thesis presents the basic background of skin lesions, the clinical importance of early melanoma detection, and the role of artificial intelligence in medical image analysis. It also discusses commonly used datasets for skin lesion classification, such as HAM10000, ISIC, PH2, and Derm7pt, along with evaluation metrics that are necessary in classification tasks with imbalanced classes.

In the experimental part, different deep learning architectures were implemented and evaluated for binary and multiclass classification of dermoscopic images. Convolutional neural networks, transformer-based models, and hybrid approaches were tested. The experimental process included image preprocessing, dataset splitting, model training, and evaluation using metrics such as accuracy, precision, recall, F1-score, and AUC. The results showed that deep learning models can achieve satisfactory performance in the recognition of skin lesions, especially when the data are properly organized and the training process is carefully designed. At the same time, the experiments highlighted that accuracy alone is not sufficient, since the performance of a model must also be examined in relation to less frequent or clinically more critical classes.

Finally, explainability techniques such as Grad-CAM, Grad-CAM++, SHAP, and LIME were applied in order to visually interpret the decisions of the models. These methods showed that, in several cases, the models focused on image regions related to the lesion, while in other cases they revealed limitations that require further examination. Overall, the thesis concludes that deep learning can serve as a useful supportive tool in dermoscopic image analysis, provided that model performance is combined with careful evaluation and interpretability.