Aprendizaje profundo para la segmentación de lesiones pigmentadas de la piel

Abstract

La imagen médica es un campo donde han confluido diversas disciplinas como la medicina, la ingeniería electrónica, la física y la informática, estas tres últimas muy relacionadas con la ingeniería de telecomunicaciones. Su análisis forma parte de lo que se conoce como sistemas de diagnóstico asistido por ordenador (CAD: Computer Aided Diagnosis), y ayudan a los profesionales de la medicina a interpretar toda la información disponible, a resaltar lo más relevante y en definitiva a alcanzar un diagnóstico más completo y óptimo. En este trabajo fin de máster se propone un método automático de análisis de imágenes digitales de lesiones en la piel (imágenes dermatoscópicas) mediante técnicas de aprendizaje profundo o deep learning. En concreto, el proyecto se centrará en la segmentación de la lesión dentro de la imagen, con el objetivo de posteriormente poderla clasificar en las diferentes enfermedades que podría suponer, entre ellas el melanoma. El cáncer de piel es una enfermedad en la que la prevención no es sólo fundamental, sino posible. Al tratarse de lesiones visibles en la superficie de la piel, los pacientes pueden revisárselas con frecuencia y acudir a dermatólogos expertos a que las inspeccionen, pudiendo éstos hacer usos de herramientas de ayuda al diagnóstico. Para llevar a cabo la segmentación, se utilizará una modificación de la red neuronal U-Net [1] propuesta en 2015 por los investigadores de la Universidad de Friburgo Ronneberger, Fischer, y Brox, una red con muy buen desempeño en diferentes aplicaciones de segmentación biomédica. De hecho, la U-Net superó el rendimiento del método ganador del concurso de segmentación de imágenes microscópicas de estructuras neuronales del ISBI (International Symposium on Biomedical Imaging) de 2012 [2], el cual fue una red neuronal con ventana deslizante propuesta por Ciresan et al. [3]. Además, ganó el concurso de rastreo de células del ISBI en 2015 [4] por un amplio margen.

Medical imaging is a field in which various disciplines such as Medicine, Electronic Engineering, Physics and Information Technology have come together, the latter three being closely related to Telecommunications Engineering. Its analysis is part of what is known as computer aided diagnosis (CAD) systems, and they help medical professionals to interpret all available information, highlight the most relevant features and, in short, to achieve a more complete and optimal diagnosis. This master's thesis proposes an automatic method for the analysis of digital images of skin lesions (dermoscopic images) based on deep learning techniques. Specifically, the project will focus on the segmentation of the lesion within the image, with the aim of later classifying it into different diseases, including melanoma. Skin cancer is a disease in which prevention is not only fundamental, but also possible. As they are visible lesions on the surface of the skin, patients can check them frequently and have them inspected by expert dermatologists, who can use computer diagnosis tools. In order to carry out the segmentation, a modification of the U-Net neural network [1] will be used, which was proposed in 2015 by Ronneberger, Fischer, and Brox, researchers from the University of Freiburg. This network achieved very good performance in different biomedical segmentation applications. In fact, it outperformed the prior best method of the ISBI (International Symposium on Biomedical Imaging) challenge (2012) for segmentation of microscopic images of neural structures [2], which was a sliding-window convolutional network proposed by Ciresan et al. [3]. Furthermore, the U-Net won the 2015 ISBI cell tracking challenge [4] by a wide margin.