Análisis de imágenes dermatoscópicas para el diagnostico de lesiones pigmentadas

Abstract

En este trabajo se realiza un análisis de imágenes dermatoscópicas con el objetivo de ayudar en el proceso de priorización de las consultas en el triaje de los centros de atención primaria. Específicamente, se plantea la clasificación de lesiones dermatoscópicas centrada en el estudio del carcinoma basocelular (Basal Cell Carcinoma - BCC). Para lograr este objetivo se aborda el problema empleando tanto técnicas tradicionales de Aprendizaje Máquina como de Aprendizaje Profundo. Asimismo, en las técnicas de Aprendizaje Profundo propuestas se analiza la conveniencia o no de aplicar un proceso de segmentación previo. En cuanto al proceso de segmentación, en este trabajo se presentan varios métodos utilizando aprendizaje supervisado y no supervisado, con sus respectivos experimentos y contraste de resultados. Después de aplicar varios algoritmos, el algoritmo supervisado de segmentación semántica basado en la red neuronal profunda denominada SegNet permite obtener los siguientes resultados: un valor del coeficiente DICE igual a 0,8548 y un valor del índice Jaccard de 0,7730 con una exactitud de 0,9357. El resultado obtenido en el proceso de segmentación permite obtener imágenes segmentadas con una alta precisión y la metodología aplicada resulta ser competitiva frente a otras existentes en la literatura. Para el proceso de extracción de características se consideró el extraer patrones globales presentes en la lesión. De esta forma, la imagen segmentada se divide en superpíxeles, para así obtener regiones con características de textura similares. A cada superpíxel obtenido se le extrajeron sus características de textura utilizando matrices de coocurrencia, y luego se realizó una clasificación basada en árboles de decisión. Como resultado se obtuvo un 99,2% de exactitud en la clasificación de tres patrones globales: globular, empedrado y homogéneo Finalmente, se describe el proceso de clasificación de BCC, el cual, después de desarrollar varios algoritmos con sus respectivos experimentos, permitió obtener una exactitud del 98% al clasificar BCC versus nevus y un 95% al clasificar BCC versus todos los demás tipos de lesiones. Estos resultados se obtuvieron al utilizar tres redes neuronales profundas ensambladas y sin segmentar previamente las imágenes. Los resultados obtenidos fueron contrastados, demostrando la fiabilidad del método presentado, ya que éste supera en prácticamente todos los parámetros de evaluación al ganador del reto ISIC-2019 [1]. Además, se concluye que el proceso de segmentación no es necesario al realizar la clasificación utilizando aprendizaje profundo cuando se cuenta con una base de datos extensa y correctamente balanceada. Los resultados obtenidos de los modelos desarrollados fueron publicados y se encuentran detallados en los apéndices de esta tesis.

The aim of this paper is to analyse dermatoscopic images in order to assist in the process of prioritisation of consultations in the triage of primary care centres. Specifically, the classification of dermoscopic lesions focused on the study of basal cell carcinoma (BCC) is proposed. To achieve this objective, the problem is approached using both traditional Machine Learning and Deep Learning techniques. Likewise, in the Deep Learning techniques proposed, the convenience or not of applying a prior segmentation process is analysed. Regarding the segmentation process, several methods using supervised and unsupervised learning are presented in this work, with their respective experiments and contrasting results. After applying several algorithms, the supervised semantic segmentation algorithm based on the deep neural network called SegNet allows obtaining the following results: a value of the DICE coefficient equal to 0.8548 and a value of the Jaccard index of 0.7730 with an accuracy of 0.9357. The result obtained in the segmentation process allows obtaining segmented images with a high precision and the applied methodology is competitive compared to others in the literature. For the feature extraction process, consideration was given to extracting global patterns present in the lesion. In this way, the segmented image is divided into superpixels in order to obtain regions with similar texture characteristics. Each superpixel obtained had its texture features extracted using co-occurrence matrices, and then a classification based on decision trees was performed. As a result, a 99.2% accuracy was obtained in the classification of three global patterns: globular, cobblestone and homogeneous. Finally, we describe the BCC classification process, which, after developing several algorithms with their respective experiments, allowed us to obtain an accuracy of 98% when classifying BCC versus nevus and 95% when classifying BCC versus all other types of lesions. These results were obtained by using three deep neural networks assembled without pre-segmenting the images. The results obtained were contrasted, demonstrating the reliability of the method presented, as it outperforms the winner of the ISIC-2019 challenge [1] in practically all evaluation parameters. Furthermore, it is concluded that the segmentation process is not necessary when performing the classification using deep learning, when an extensive and correctly balanced database is available. The results obtained from the developed models were published and are detailed in the appendices of this thesis.