Detección automática de melanoma aplicando métodos de aprendizaje profundo para el procesamiento y análisis de imágenes dermatológicas

Abstract

El melanoma, en los últimos años, ha presentado un aumento en su tasa de mortalidad, a pesar de ser el que presenta menor frecuencia de diagnóstico, convirtiéndose en un problema de salud pública tanto a nivel nacional como global, existen muchos factores de riesgo que generan una mayor probabilidad de sufrir de esta neoplasia como lo es una exposici´on prolongada a los rayos del sol y a los UV o tener parientes consangu´ıneos que lo hayan padecido. Según El Fondo Colombiano de Enfermedades de Alto Costo, el tiempo de espera para obtener el diagnóstico de cáncer de piel tipo melanoma se encuentra entre 30 y 40 días, sin embargo, antes de este tiempo puede llegar a pasar hasta un año para que el paciente acuda a consulta médica relacionada con el aspecto anormal de un lunar; debido a esto es que existen diversos métodos de ayuda diagn´ostica como la regla de ABCD que fomentan la educación para la identificación de signos de alarma. Por esta razón el desarrollo de herramientas de apoyo diagnóstico resulta ser de gran importancia para la disminución de los tiempos y, posiblemente, de la tasa de mortalidad que está presentando este cáncer hoy en día, pues su implementación bien sea en usuarios no médicos o médicos no dermatológicos permite fomentar la educación, diferenciación e importancia de esta enfermedad en la sociedad. El presente documento reporta el desarrollo de un trabajo dirigido que tiene como objetivo principal la aplicación de métodos basados en inteligencia artificial, específicamente, de aprendizaje profundo, para el procesamiento y análisis de imágenes dermatológicas de lunares para la detección automática de melanoma, las cuales fueron tomadas de la base de datos ISIC 2016, la cual hace parte de un reto que año a año tiene como objetivo ayudar a reducir la mortalidad de esta neoplasia, el reto del año mencionado se enfoca en diferenciar melanoma de otros trastornos de la piel y cuenta con 900 imágenes para entrenamiento, 379 para prueba, todas tomadas en distintos centros dermatológicos. Con base en esto, se encuentra el desarrollo del marco teórico que permite dar una base de conocimiento para el entendimiento tanto del documento como del presente proyecto, seguido de esto se explica la metodología donde se desarrollan diferentes algoritmos para segmentación y clasificación, usando el lenguaje de programación Python a través de la herramienta de Google Colaboratory, con los cuales se desarrollan distintos modelos a ser evaluados según su desempeño con base en diferentes métricas, como índice Jaccard y Dice para segmentación y exactitud, especificidad, sensibilidad y coeficiente Kappa para clasificación. vi Después se encuentran los resultados y el análisis de los resultados, donde se muestra que los modelos de segmentación presentan un muy buen desempeño, con respecto a las métricas empleadas (valores superiores a 0.60) a la hora de obtener las máscaras binarias de la predicción luego del entrenamiento, con el inconveniente de que cuando las imágenes originales presentan un contraste bajo entre la piel y el lunar, generalmente un tono azulado, la segmentación no se realiza de manera correcta. Finalmente, para la clasificación se obtienen diferentes modelos con variaciones en sus parámetros, se observó que el desempeño que presenta cada uno de los modelos varía según la arquitectura usada permitiendo en ocasiones evitar el overfitting, por otro lado, el número de épocas, el optimizador y el dropout influyen en métricas como la especificidad para determinar la cantidad de melanomas que clasifica correctamente el modelo estudiado.

Melanoma, in recent years, has presented an increase in its mortality rate, to despite being the one with the lowest frequency of diagnosis, becoming a problem of public health both nationally and globally, there are many risk factors that generate a greater probability of suffering from this neoplasm, such as prolonged exposure to sunlight and UV rays or having blood relatives who have suffered from it. According to the Colombian Fund for High-Cost Diseases, the waiting time for getting the diagnosis of melanoma skin cancer is between 30 and 40 days, However, before this time it may take up to a year for the patient to Go to a medical consultation related to the abnormal appearance of a mole; because of this it is that there are various diagnostic aid methods such as the ABCD rule that promote the education for the identification of warning signs. For this reason, the development of diagnostic support tools turns out to be of great importance for the reduction of times and, possibly, of the mortality rate that is presenting this cancer today, as its implementation either in non-medical users or non-dermatological doctors allows to promote the education, differentiation and importance of this disease in society. This document reports the development of a directed work whose main objective is the application of methods based on artificial intelligence, specifically, of deep learning, for the processing and analysis of dermatological images of moles for the automatic detection of melanoma, which were taken from the base of ISIC 2016 data, which is part of a challenge that year after year aims to help reduce the mortality of this neoplasm, the challenge of the aforementioned year focuses on differentiating melanoma of other skin disorders and has 900 images for training, 379 for testing, all taken in different dermatological centers. Based on this, there is the development of the theoretical framework that allows giving a basis of knowledge for the understanding of both the document and the present project, followed by this, the methodology is explained where different algorithms are developed to segmentation and classification, using the Python programming language through the Google Collaboratory tool, with which different models are developed to be evaluated according to their performance based on different metrics, such as the Jaccard and Dice index for segmentation and accuracy, specificity, sensitivity and Kappa coefficient for classification. saw Then there are the results and the analysis of the results, where it is shown that the Segmentation models present a very good performance, with respect to the metrics used (values ​​greater than 0.60) when obtaining the binary masks of the prediction after training, with the disadvantage that when the original images present a low contrast between the skin and the mole, generally a bluish tone, the segmentation it is not done correctly. Finally, for the classification, different models are obtained with variations in their parameters, it was observed that the performance presented by each of the models varies according to the architecture used allowing sometimes to avoid overfitting, on the other hand, the number of epochs, the optimizer and the dropout influence metrics such as specificity to determine the amount of melanomas that the studied model correctly classifies.