NEURAL NETWORKS FROM KERAS IN SKIN LESION DIAGNOSTIC

Magdalena Michalska-Ciekańska

doi:10.35784/iapgos.2876

PDF (angielski)

Opublikowane: 2022-03-31

DOI: https://doi.org/10.35784/iapgos.2876

Numer Tom 12 Nr 1 (2022)

METODY ZAPEWNIENIA BEZPIECZEŃSTWA DANYCH W STANDARDACH MOBILNYCH
Serhii Moroz, Anatolii Tkachuk, Mykola Khvyshchun, Stanislav Prystupa, Mykola Yevsiuk

4-9
HYBRYDOWY SYSTEM NAWIGACJI DO UŻYTKU WEWNĄTRZ POMIESZCZEŃ
Michał Styła, Przemysław Adamkiewicz

10-14
WEWNĘTRZNY SYSTEM LOKALIZACJI Z WYKORZYSTANIEM UWB
Dominik Gnaś, Przemysław Adamkiewicz

15-19
ZASTOSOWANIE KONWOLUCYJNYCH SIECI NEURONOWYCH W IDENTYFIKACJI ZAWILGOCEŃ ŚCIAN BUDYNKÓW METODĄ EIT
Grzegorz Kłosowski, Tomasz Rymarczyk

20-23
ŚWIATŁOWODOWE SKOŚNE SIATKI BRAGGA JAKO CZUJNIKI W POMIARACH WSPÓŁCZYNNIKA ZAŁAMANIA CIECZY
Damian Harasim

24-27
OPTYMALIZACJA PROCESÓW ZARZĄDZANIA BUDYNKAMI KOMERCYJNYMI Z WYKORZYSTANIEM SYSTEMÓW ANALIZY ZACHOWAŃ UŻYTKOWNIKÓW WSPOMAGANYCH INTELIGENCJĄ OBLICZENIOWĄ I RTI
Michał Styła, Przemysław Adamkiewicz

28-35
OPRACOWANIE TECHNOLOGII OSADZANIA I POMIARÓW ZMIĘNNOPRĄDOWYCH ULTRACIENKICH WARSTW MIEDZI
Aleksandra Wilczyńska, Karolina Czarnacka, Andrzej Kociubiński, Tomasz Kołtunowicz

36-39
SIECI NEURONOWE Z KERAS W DIAGNOSTYCE ZMIAN SKÓRNYCH
Magdalena Michalska-Ciekańska

40-43
OKREŚLANIE DŁUGOŚCI ROBOCZEJ KANAŁU KORZENIOWEGO ZA POMOCĄ SEGMENTACJI RADIOGRAFII WEWNĄTRZUSTNEJ
Oleksii Perepelytsia, Tetyana Nosova

44-46

Archiwum

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

2021

Tom 11 Nr 4
2021-12-20 15
Tom 11 Nr 3
2021-09-30 10
Tom 11 Nr 2
2021-06-30 11
Tom 11 Nr 1
2021-03-31 14

2020

Tom 10 Nr 4
2020-12-20 16
Tom 10 Nr 3
2020-09-30 22
Tom 10 Nr 2
2020-06-30 16
Tom 10 Nr 1
2020-03-30 19

Authors

Magdalena Michalska-Ciekańska

magdalena.michalska@pollub.edu.pl

Politechnika Lubelska, Katedra Elektroniki i Technik Informacyjnych

http://orcid.org/0000-0002-0874-3285 ##orcid.unauthenticated##

Abstrakt

Melanoma jest obecnie jedną z najbardziej niebezpiecznych chorób skóry, oprócz niej pojawia się w populacji wiele innych. Naukowcy rozwijają techniki wczesnego nieinwazyjnego diagnozowania zmian skórnych z obrazów dermatoskopowych, w tym celu coraz częściej wykorzystywane są sieci neuronowe. Powstaje wiele narzędzi powzalajcych na szybszą implementację sieci należy do niej pakiet Keras. W artykule przedstawiono wybrane metody diagnostyki chorób skóry, należy do nich proces klasyfikacji, selekcji cech, wyodrębnienia zmiany skórnej z całego obrazu. Opisane metody zostały zostały zaimplementowane za pomocą dostępnych w pakiecie Keras głębokich sieci neuronowych. W artykule zwrócono uwagę na skuteczność, specyficzność, dokładność klasyfikacji w oparciu o dostępne zestawy danych, zwrócono uwagę na narzędzi pozwalające na efektywniejsze działanie algorytmów.

Słowa kluczowe:

obrazy dermatoskopowe, uczenie głębokie, melanoma, zmiany skórne, Keras

Bibliografia

Adegun A., Viriri S.: Deep learning-based system for automatic melanoma detection. IEEE Access 8, 2020, 7160–7172.

Aggarwal A., Kumar M.: Image surface texture analysis and classification using deep learning, Multimedia Tools and Applications 80, 2021, 1289–1309.

Almeida M., Santos I.: Classification models for skin tumor detection using texture analysis in medical images, J. Imaging 6(51), 2020, [http://doi.org/10.3390/jimaging6060051].

Attia M., Hossny M., Nahavandi S., Yazdabadi A.: Skin melanoma segmentation using recurrent and convolutional neural networks. Biomedical Imaging (ISBI 2017), IEEE 14th International Symposium, 2017, 292–296.

Barata C., Celebi M., Marques J.: A survey of feature extraction in dermoscopy image analysis of skin cancer. IEEE Journal of Biomedical and Health Informatics 23(3), 2019, 1096–1109.

Brinker T. J., Hekler A., Enk A. H., Klode J., Hauschild A., Berking C.: Deep learning outperformed 136 of 157 dermatologists in a head-to-head der moscopic melanoma image classification task. Eur J Cancer 113, 2019, 47–54.

Brownlee J.: Gentle introduction to the adam optimization algorithm for deep learning. Machine Learning Mastery Pty. Ltd., 2019, https://machinelearningmastery.com/adamoptimization-algorithm-for-deep-learning/ss

Codella N., Cai J., Abedini M., Garnavi R., Halpern A., Smith J. R.: Deep learning, sparse coding, and SVM for melanoma recognition in dermoscopy images. International Workshop on Machine Learning in Medical Imaging, 2015, 118–126.

Codella N., Nguyen Q., Pankanti S., Gutman D., Helba B., Halpern A., Smith J.: Deep learning ensembles for melanoma recognition in dermoscopy images. arXiv preprint arXiv:1610.04662, 2016.

Esteva A.: Dermatologist-level classification of skin cancer with deep neural networks. Nat. Res. 542(7639), 2017, 115–118.

Ge Y., Li B., Zhao Y., Guan E., Yan W.: Melanoma seg-mentation and classification in clinical images using deep learning, ICMLC 2018: Proceedings of the 2018 10th International Conference on Machine Learning and Computing, 2018, 252–256.

Ge Z., Demyanov S., Chakravorty R., Bowling A., Garnavi R.: Skin disease recognition using deep saliency features and multimodal learning of dermoscopy and clinical images. Descoteaux M., Maier-Hein L., Franz A., Jannin P., Collins D. L., Duchesne S. (eds.), Springer, Cham LNCS 10435, 250–258, 2017.

Gupta A., Thakur S., Rana A.: Study of Melanoma Detection and Classification Techniques. 8th International Conference on Reliability, Infocom Technologies and Optimization, 2020 1345–1350, [http://doi.org/10.1109/ICRITO48877.2020.9197820].

Haenssle H. A., Fink C., Schneiderbauer R., Toberer F., Buhl T., Blum A.: Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol 29, 2018, 1836–1342.

Hekler A., Utikal J. S., Enk A. H., Solass W., Schmitt M., Klode J.: Deep learning outperformed 11 pathologists in the classification of histopathological melanoma images. Eur J Cancer 118, 2019, 91–96.

Hijazi S., Kumar R., Rowen C.: Using convolutional neural networks for image recognition. Cadence Design Systems Inc., San Jose 2015.

Katapadi A. B.: Evolving strategies for the development and evaluation of a computerised melanoma image analysis system. Comput.Methods Biomech. Biomed. Eng., Imag Visual. 6, 2018, 465–472.

Li Y., Shen L.: Skin Lesion Analysis towards Melanoma Detec-tion Using Deep Learning Network. arXiv.org > cs > arXiv:1703.00577, Computer Vision and Pattern Recognition 2017 (v2).

Lopez A. R., Giro-i-Nieto X., Burdick J., Marques O.: Skin lesion classification from dermatoscopic images using deep learning techniques, [http://doi.org/JO.23J6/P.20l7.852-053].

Lopez A. R.: Skin lesion classification from dermoscopic images using deep learning techniques. Proc. 13th IASTED Int. Conf. Biomed. Eng. 2017, 49–54.

Majumder S., Ahsan Ullah M.: Feature extraction from der-moscopy images for an effective diagnosis of melanoma skin cancer. 10th International Conference on Electrical and Compu-ter Engineering Bangladesh, 2018, 185–188.

Marchetti M. A., Codella N. C., Dusza S. W., Gutman D. A., Helba B., Kalloo A.: Results of the 2016 international skin imaging collaboration international symposium on biomedical imaging challenge: comparison of the accuracy of computer algorithms to dermatologists for the diagnosis of melanoma from dermoscopic images. J Am Acad Dermatol 78, 2018, 270–277.

Marchetti M. A., Liopyris K., Dusza S. W., Codella N. C. F., Gutman D. A., Helba B.: Computer algorithms show potential for improving dermatologists’ accuracy to diagnose cutaneous melanoma: results of the international skin imaging collaboration 2017. J Am Acad Dermatol 82, 2020, 622–627.

Maron R. C., Weichenthal M., Utikal J. S., Hekler A., Berking C., Hauschild A.: Systematic outperformance of 112 dermatologists in multiclass skin cancer image classification by convolutional neural networks. Eur J Cancer 119, 2019, 57–65.

Mendoza C. S., Serrano C., Acha B.: Scale invariant descriptors inpattern analysis of melanocytic lesions. Proc. IEEE 16th Int. Conf. Image Process., 2009, 4193–4196.

Murphree D. H., Puri P., Shamim H., Bezalel S. A., Drage L. A., Wang M., Pittelkow M. R., Carter R. E., Davis M., Bridges A., Mangold A., Yiannias J., Tollefson M., Lehman J., Meves A., Otley C., Sokumbi O., Hall M., Comfere N.: Deep learning for dermatologists: Part I. J Am Acad Dermatol, 1–9, 2020.

Nachbar F., Stolz W., Merkle T., Cognetta A., Vogt T., Landthaler M.: The abcd rule of dermatoscopy. High prospective value in the diagnosis of doubtful melanocytic skin lesions. Journal of the American Academy of Dermatology 30(4), 1994, 551–559.

Nida N., Irtaza A., Javed A., Yousaf M., Mahmood M.: Melanoma lesion detection and segmentation using deep region based convolutional neural network and fuzzy C-means clustering. International Journal of Medical Informatics 124, 2019, 37–48.

Panja A., Jackson J. Ch., Quadir Md. A.: An Approach to Skin Cancer Detection Using Keras and Tensorflow. Journal of Physics: Conference Series 1911 012032, 2021, [http://doi.org/10.1088/1742-6596/1911/1/012032].

Rahi M., Khan F., Mahtab M., Amanat Ullah A., Alam M. G., Alam M.: Detection Of Skin Cancer Using Deep Neural Networks, IEEE Asia-Pacific Conference on Computer Science and Data Engineering (CSDE), 2019, 1–7, [http://doi.org/10.1109/CSDE48274.2019.9162400].

Romero Lopez A., Xiro-i-Nieto X., Burdick J., Marques O.: Skin lesion classification from dermoscopic images using deep learning techniques. 13th IASTED International Conference on Biomedical Engineering (BioMed), 49–54, 2017, [http://doi.org/10.2316/P.2017.852-053]

Sherif F., Mohamed W. A., Mohra A. S.: Skin lesion analysis toward melanoma detection using deep learning techniques. INTL Journal of Electronics and Telecommunications 65(4), 2019, 597–602.

Villa-Pulgarin J., Ruales-Torres A., Arias-Garzón D., Bravo-Ortiz M., Arteaga-Arteaga H., Mora-Rubio A., Alzate-Grisales J., Mercado-Ruiz E., Hassaballah M., Orozco-Arias S., Cardona-Morales O., Tabares-Soto R.: Optimized Convolutional Neural Network Models for Skin Lesion Classification. Computers, Materials & Continua Tech Science Press, CMC 70(2), 2022, [http://doi.org/10.32604/cmc.2022.019529].

Wang Y., Cai J., Louie D., Wang J., Lee T.: Incorporating clinical knowledge with constrained classifier chain into a multimodal deep network for melanoma detection. Computers in Biology and Medicine 137, 2021, 104812.

Young A. T., Xiong M., Pfau J., Keiser M. J, Wei M.L.: Artificial intelligence in dermatology: A Primer. Journal of Investigative Dermatology 140, 2020, 1504–1512.

Yu L., Chen H., Dou Q., Qin J., Heng P. A.: Automated melanoma recognition in dermoscopy images via very deep residual networks. IEEE Trans. Med. Imaging 36(4), 2017, 994–1004.

Zhang J., Xie Y., Wu Q., Xia Y.: Skin lesion classification in dermoscopy images using synergic deep learning, Springer Nature Switzerland. LNCS 11071, 2018, 12–20.

SIECI NEURONOWE Z KERAS W DIAGNOSTYCE ZMIAN SKÓRNYCH. (2022). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 12(1), 40-43. https://doi.org/10.35784/iapgos.2876

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 12 Nr 1 (2022)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja