Improving skin cancer diagnosis by classifying dermoscopy images using artificial intelligence techniques
Amélioration du diagnostic du cancer de la peau par classification des images de dermoscopie à l'aide de techniques d'intelligence artificielle
Résumé
The work carried out as part of this thesis contributes to improving the diagnosis of skin cancers using diagnostic aid tools. These techniques, particularly those based on deep learning, have revolutionized the computer vision landscape and focus on the analysis of morphological, textural and color characteristics in an image in order to define the type of lesion it presents. The results of research carried out in recent years are promising, particularly for the early diagnosis of malignant melanoma. Despite these results, major constraints remain: the complexity of model architectures, the need for large databases, the class imbalance observed and the poor representation of darker skins in databases. To address these limitations and improve prediction performance, we proposed: (1) a convolutional network architecture adapted to small databases. The proposed architecture is called GCN (Gabor Convolutional Network). (2) an image augmentation approach to correct the observed class imbalance and low representation of dark skins in databases. The proposed algorithm combines the unsubsampled Shearlet transform and pulse-coupled neural networks to augment the image database. (3) An approach for automatic detection of dermoscopic features. The proposed algorithm is based on the Yolo (You look only once) model and highlights the features present in a dermoscopic image. The proposed solutions have been validated on dermoscopic image bases from the ISIC challenge (ISIC 2019, ISIC 2018, ISIC 2017) and compared with other works in the literature. In all three cases, the results show an improvement in prediction accuracy.
Les travaux menés dans le cadre de cette thèse contribuent à l'amélioration du diagnostic des cancers de la peau grâce à des outils d'aide au diagnostic. Ces techniques, plus particulièrement celles basées sur l'apprentissage profond, ont révolutionné le paysage de la vision par ordinateur et s'intéressent à l'analyse des caractéristiques morphologiques, de texture et de couleur dans une image afin de définir le type de lésion qu'elle présente. Les résultats des recherches menées ces dernières années sont prometteurs, notamment pour le diagnostic précoce du mélanome malin. Malgré ces résultats, des contraintes majeures subsistent : la complexité des architectures de modèles, le besoin de grandes bases de données, le déséquilibre des classes observé et la faible représentation des peaux foncées dans les bases de données. Pour répondre à ces limitations et améliorer les performances de prédiction, nous avons proposé : (1) une architecture de réseau convolutionnel adaptée aux petites bases de données. L'architecture proposée est appelée GCN (Gabor Convolutional Network). (2) une approche d'augmentation d'image pour corriger le déséquilibre de classe observé et la faible représentation des peaux foncées dans les bases de données. L'algorithme proposé combine la transformée de Shearlet non sous-échantillonnée et les réseaux neuronaux à couplage d'impulsions pour augmenter la base de données d'images. (3) Une approche pour la détection automatique des caractéristiques dermoscopiques. L'algorithme proposé est basé sur le modèle Yolo (You look only once) et met en évidence les caractéristiques présentes dans une image dermoscopique. Les solutions proposées ont été validées sur des bases d'images dermoscopiques issues du challenge ISIC (ISIC 2019, ISIC 2018, ISIC 2017) et comparées à d'autres travaux de la littérature. Dans les trois cas, les résultats montrent une amélioration de la précision de la prédiction.
| Origine | Version validée par le jury (STAR) |
|---|