Automated Malignant Melanoma Classification Using Convolutional Neural Networks

Palabras clave: Convolución, Redes Neuronales Convolucionales, Dermatoscopia, Detección de Melanoma

Resumen

En esta investigación se propone un diseño de arquitectura para el reconocimiento de melanoma (un tipo de cáncer de piel) mediante el uso de una CNN (Red Neuronal Convolucional), trabajo que será de utilidad para investigadores en futuros proyectos en áreas como biomedicina, aprendizaje automático, y otras relacionadas avanzando en sus estudios y mejorando esta propuesta. La CNN se utiliza principalmente en visión por computador (una rama de la inteligencia artificial), aplicada al reconocimiento de patrones en lunares de la piel y para determinar la existencia de melanoma maligno, o no, con un conjunto de datos limitado. El clasificador CNN diseñado y entrenado en este caso se construyó mediante un par de capas de convolución y acumulación para formar una red neuronal de seis capas seguida de la totalmente conectada para completar la arquitectura con un clasificador de salida. La base de datos propuesta para entrenar nuestra CNN es la mayor colección pública de imágenes dermatoscópicas de melanomas y otras lesiones cutáneas, proporcionada por la International Skin Imaging Collaboration (ISIC), patrocinada por la International Society for Digital Imaging of the Skin (ISDIS), un esfuerzo internacional para mejorar el diagnóstico del melanoma. El propósito de esta investigación fue diseñar una Red Neuronal Convolucional con un alto nivel de precisión para ayudar a los profesionales de la medicina con un diagnóstico de melanoma, en este caso, fue posible obtener una precisión hasta del 88,75 %.

Biografía del autor/a

José Guillermo Guarnizo, Universidad Santo Tomás

Doctor en automática, robótica e informática industrial por la Universidad Politécnica de Valencia; magíster
en ingeniería y automatización industrial por la Universidad Nacional de Colombia; ingeniero electrónico por
la Universidad Distrital Francisco José de Caldas; docente de la Universidad Santo Tomás; pertenece como
investigador al Grupo de Estudio y Desarrollo en Robótica GED. Universidad Santo Tomás, Bogotá, Colombia.

Sebastián Riaño Borda, Universidad Santo Tomás

Magíster en ingeniería electrónica por la Universidad Santo Tomás; ingeniero electrónico por la Universidad
Santo Tomás; pertenece como investigador al Grupo de Estudio y Desarrollo en Robótica GED. Universidad
Santo Tomás, Bogotá, Colombia.

Edgar Camilo Camacho Poveda, Universidad Santo Tomás

Magíster en ingeniería electrónica por la Universidad Nacional de Colombia; ingeniero electrónico por la
Universidad Pedagógica y Tecnológica de Tunja; docente de la Universidad Santo Tomás; pertenece como
investigador al Grupo de Estudio y Desarrollo en Robótica GED. Universidad Santo Tomás, Bogotá, Colombia.

Armando Mateus Rojas, Universidad Santo Tomás

Magíster en electrónica y ciencias de la computación por la Universidad de los Andes; ingeniero electrónico
por la Universidad Distrital Francisco José de Caldas; docente de la Universidad Santo Tomás; pertenece
como investigador al Grupo de Estudio y Desarrollo en Robótica GED. Universidad Santo Tomás, Bogotá,
Colombia.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

José Guillermo Guarnizo, Universidad Santo Tomás

Doctor en automática, robótica e informática industrial por la Universidad Politécnica de Valencia; magíster
en ingeniería y automatización industrial por la Universidad Nacional de Colombia; ingeniero electrónico por
la Universidad Distrital Francisco José de Caldas; docente de la Universidad Santo Tomás; pertenece como
investigador al Grupo de Estudio y Desarrollo en Robótica GED. Universidad Santo Tomás, Bogotá, Colombia.

Sebastián Riaño Borda, Universidad Santo Tomás

Magíster en ingeniería electrónica por la Universidad Santo Tomás; ingeniero electrónico por la Universidad
Santo Tomás; pertenece como investigador al Grupo de Estudio y Desarrollo en Robótica GED. Universidad
Santo Tomás, Bogotá, Colombia.

Edgar Camilo Camacho Poveda, Universidad Santo Tomás

Magíster en ingeniería electrónica por la Universidad Nacional de Colombia; ingeniero electrónico por la
Universidad Pedagógica y Tecnológica de Tunja; docente de la Universidad Santo Tomás; pertenece como
investigador al Grupo de Estudio y Desarrollo en Robótica GED. Universidad Santo Tomás, Bogotá, Colombia.

Armando Mateus Rojas, Universidad Santo Tomás

Magíster en electrónica y ciencias de la computación por la Universidad de los Andes; ingeniero electrónico
por la Universidad Distrital Francisco José de Caldas; docente de la Universidad Santo Tomás; pertenece
como investigador al Grupo de Estudio y Desarrollo en Robótica GED. Universidad Santo Tomás, Bogotá,
Colombia.

Referencias bibliográficas

S. Lee, H. Huang y M. Zelen, "Early detection of disease and scheduling of screening examinations", Journal of Biomedical Informatics, vol. 13, nº 6, 443-456, 2004. https://doi.org/10.1016/j.jbi.2019.103231

O. T. Jones, C. K. Ranmuthu, P. N. Hall, G. Funston y F. M. Walter, "Recognising Skin Cancer in Primary Care", Advances in Therapy, vol. 37, nº 1, 603-616, 2020. https://doi.org/10.1007/s12325-019-01130-1

C. Garbe, K. Peris, A. Hauschild, P. Saiag, M. Middleton, L. Bastholt, J.-J. Grob, J. Malvehy, J. Newton-Bishop, A. J. Stratigos, H. Pehamberger y A. M. Eggermont, "Diagnosis and treatment of melanoma. European consensus-based interdisciplinary guideline - Update 2016". European Journal of Cancer, vol. 63, pp. 201-217, 2016. https://doi.org/10.1016/j.ejca.2016.05.005

I. P. Santos, R. van Doorn y P. Caspers, "Improving clinical diagnosis of early-stage cutaneous melanoma based on Raman spectroscopy", British Journal of Cancer, vol. 119, 1339-1346, 2018. https://doi.org/10.1038/s41416-018-0257-9

The International Skin Imaging Collaboration, ISIC, [On line]. Available: https://www.isic-archive.com/#!/topWithHeader/onlyHeaderTop/gallery. [Último acceso: January 2020].

J. A. Avilés‐Izquierdo, C. Ciudad‐Blanco, A. Sánchez‐Herrero, A. Mateos‐Mayo, L. M. Nieto‐Benito y E. Rodríguez‐Lomba, "Dermoscopy of cutaneous melanoma metastases: A color-based pattern classification". Journal of Dermatology, vol. 46, nº 7, 564-569, 2019. https://doi.org/10.1111/1346-8138.14926

S. Sigurdsson, P. A. Philipsen, L. K. Hansen, J. Larsen, M. Gniadecka y H. C. Wulf, "Detection of skin cancer by classification of Raman spectra", IEEE Transactions on Biomedical Engineering, vol. 51, nº 10, 1784-1793, 2004. https://doi.org/10.1109/TBME.2004.831538

I. Pirnog, R. O. Preda, C. Oprea y C. Paleologu, "Automatic lesion segmentation for melanoma diagnostics in macroscopic images" de 23rd European Signal Processing Conference (EUSIPCO), Nice, 2015. https://doi.org/10.1109/EUSIPCO.2015.7362465

R. Kasmi y K. Mokrani, "Classification of malignant melanoma and benign skin lesions: implementation of automatic ABCD rule", IET Image Processing, vol. 10, nº 6, 448-455, 2016. https://doi.org/10.1049/iet-ipr.2015.0385

V. Jeya-Ramya, J. Navarajan, R. Pratipa, and L. Ashok-Kumar "Detection of melanoma skin cancer using digital camera images" ARPN Journal of Engineering and Applied Sciences, vol. 10,3082-3085, 2015.

K. Shimizu, H. Iyatomi, . M. E. Celebi, K.-A. Norton y M. Tanaka, "Four-Class Classification of Skin Lesions With Task Decomposition Strategy", IEEE Transactions on Biomedical Engineering, vol. 62, nº 1, 274 - 283, 2014. https://doi.org/10.1109/TBME.2014.2348323

M. Sadeghi, T. K. Lee, D. McLean, H. Lui y M. S. Atkins, "Detection and Analysis of Irregular Streaks in Dermoscopic Images of Skin Lesions", Detection and Analysis of Irregular Streaks in Dermoscopic Images of Skin Lesions, vol. 32, nº 5, 849 - 861, 2013. https://doi.org/10.1109/TMI.2013.2239307

L. Yu, H. Chen, Q. Dou, J. Qin y P.-A. Heng, "Automated Melanoma Recognition in Dermoscopy Images via Very Deep Residual Networks", IEEE Transactions on Medical Imaging, vol. 36, nº 4, 994-1004, 2017. https://doi.org/10.1109/TMI.2016.2642839

Y. Yuan, M. Chao y Y.-C. Lo, "Automatic Skin Lesion Segmentation Using Deep Fully Convolutional Networks with Jaccard Distance", IEEE Transactions on Medical Imaging, vol. 36, 1876-1886, 2017. https://doi.org/10.1109/TMI.2017.2695227

M. u. Rehman, S. H. Khan, S. M. D. Rizvi, Z. Abbas y A. Zafar, "Classification of Skin Lesion by Interference of Segmentation and Convolotion Neural Network", de 2018 2nd International Conference on Engineering Innovation (ICEI), Bangkok, 2018. https://doi.org/10.1109/ICEI18.2018.8448814

E. Nasr-Esfahani, S. Samavi, N. Karimi y S. Soroushmehr, "Melanoma Detection by Analysis of Clinical Images Using Convolutional Neural Network", de 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Orlando, 2016. https://doi.org/10.1109/EMBC.2016.7590963

Z. Yu, D. Ni, S. Chen, J. Qin, S. Li, T. Wang y B. Lei, "Hybrid dermoscopy image classification framework based on deep convolutional neural network and Fisher vector", de 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI 2017), Melbourne, 2017. https://doi.org/10.1109/ISBI.2017.7950524

I. González-Díaz, "DermaKNet: Incorporating the knowledge of dermatologists to Convolutional Neural Networks for skin lesion diagnosis", IEEE Journal of Biomedical and Health Informatics, vol. 23, nº 2, 547-559, 2018. https://doi.org/10.1109/JBHI.2018.2806962

J. P. de Oliveira Lima, L. C. Silva de Araújo Filho, C. M. Seródio Figueiredo y F. Santos da Silva, "Pigmented Dermatological Lesions Classification Using Convolutional Neural Networks Ensemble Mediated By Multilayer Perceptron Network", IEEE Latin America Transactions, vol. 17, nº 11, 1902-1908, 2019. https://doi.org/10.1109/TLA.2019.8986430

J. A. Ángeles Rojas, H. D. Calderón Vilca, E. N. Tumi Figueroa, K. J. Cuadros Ramos, S. S. Matos Manguinuri y E. F. Calderón Vilca, "Hybrid Model of Convolutional Neural Network and Support Vector Machine to Classify Basal Cell Carcinoma", Computación y Sistemas, 83-95, 2021. https://doi.org/10.13053/cys-25-1-3431

S. N. Haghighi, H. Danyali, M. H. Karami y M. S. Helfroush, "A Deep Convolutional Neural Network for Melanoma Recognition in Dermoscopy Images", de 2020 10th International Conference on Computer and Knowledge Engineering (ICCKE), Mashhad, 2020. https://doi.org/10.1109/ICCKE50421.2020.9303684

R. Zhang, "Melanoma Detection Using Convolutional Neural Network", de 2021 IEEE International Conference on Consumer Electronics and Computer Engineering (ICCECE), Guangzhou, 2021. https://doi.org/10.1109/ICCECE51280.2021.9342142

S. R. Guha y S. M. R. Haque, "Convolutional Neural Network Based Skin Lesion Analysis for Classifying Melanoma", de 2019 International Conference on Sustainable Technologies for Industry 4.0 (STI), Dhaka, 2019. https://doi.org/10.1109/STI47673.2019.9067979

Q. Zhou, Y. Shi, Z. Xu, R. Qu y G. Xu, "Classifying Melanoma Skin Lesions Using Convolutional Spiking Neural Networks With Unsupervised STDP Learning Rule", IEEE Access, vol. 8, 101309-101319, 2020. https://doi.org/10.1109/ACCESS.2020.2998098

Q. Wang, L. Sun, Y. Wang, M. Zhou, M. Hu, J. Chen, Y. Wen y Q. Li, "Identification of Melanoma From Hyperspectral Pathology Image Using 3D Convolutional Networks", IEEE Transactions on Medical Imaging , vol. 40, nº 1, 218-227, 2021. https://doi.org/10.1109/TMI.2020.3024923

A. Gong, X. Yao y W. Lin, "Classification for Dermoscopy Images Using Convolutional Neural Networks Based on the Ensemble of Individual Advantage and Group Decision", IEEE Access, vol. 8, 155337-155351, 2020. https://doi.org/10.1109/ACCESS.2020.3019210

R. A. Villanueva Alarcón, Sistema Inteligente basado en Redes Neuronales para la identificación de cáncer de piel de tipo Melanoma en imágenes de lesiones cutáneas, Lima, 2021.

L. Talavera-Martínez, P. Bibiloni y M. González-Hidalgo, "Hair Segmentation and Removal in Dermoscopic Images Using Deep Learning", IEEE Access, vol. 9, 2694-2704, 2021. https://doi.org/10.1109/ACCESS.2020.3047258

B. Zhang, Z. Wang, J. Gao, C. Rutjes, K. Nufer, D. Tao, D. D. Feng y S. W. Menzies, "Short-Term Lesion Change Detection for Melanoma Screening With Novel Siamese Neural Network", IEEE Transactions on Medical Imaging, vol. 40, nº 3, pp. 840-851, 2021. https://doi.org/10.1109/TMI.2020.3037761

R. Rastghalam, H. Danyali, M. S. Helfroush, M. E. Celebi y M. Mokhtari, "Skin Melanoma Detection in Microscopic Images Using HMM-Based Asymmetric Analysis and Expectation Maximization", IEEE Journal of Biomedical and Health Informatics, vol. 25, nº 9, 3486-3497, 2021. https://doi.org/10.1109/JBHI.2021.3081185

M. A. Khan, K. Muhammad, M. Sharif, T. Akram y V. H. C. d. Albuquerque, "Multi-Class Skin Lesion Detection and Classification via Teledermatology", IEEE Journal of Biomedical and Health Informatics, vol. 25, nº 12, 4267-4275, 2021. https://doi.org/10.1109/JBHI.2021.3067789

A. Karpathy , F.-F. Li, J. Johnson y S. Yeung, "CS231n: Convolutional Neural Networks for Visual Recognition", Stanford CS class, 2016-2019. [En línea]. Available: http://cs231n.github.io/. [Último acceso: January 2020].

T. Guo, J. Dong, H. Li y Y. Gao, "Simple convolutional neural network on image classification", de IEEE 2nd International Conference on Big Data Analysis (ICBDA)(, Beijing, 2017. https://doi.org/10.1109/ICBDA.2017.8078730

S. Albawi, T. A. Mohammed y S. AL-ZAWI, "Understanding of a convolutional neural network", de International Conference on Engineering and Technology (ICET), Antalya, 2017. https://doi.org/10.1109/ICEngTechnol.2017.8308186

R. Sarkar, C. C. Chatterjee y A. Hazra, "Diagnosis of melanoma from dermoscopic images using a deep depthwise separable residual convolutional network", IET Image Processing, vol. 13, 2019. https://doi.org/10.1049/iet-ipr.2018.6669

M. A. Khan, M. Sharif, M. Raza, A. Anjum, T. Saba y S. A. Shad, "Skin lesion segmentation and classification: A unified framework of deep neural network features fusion and selection", Expert Systems, 2019. https://doi.org/10.1111/exsy.12497

Z. Yu, X. Jiang, F. Zhou, J. Qin, D. Ni, S. Chen, B. Lei y T. Wang, "Melanoma Recognition in Dermoscopy Images via Aggregated Deep Convolutional Features", IEEE Transactions on Biomedical Engineering, vol. 66, nº 4, 1006-1016, 2019. https://doi.org/10.1109/TBME.2018.2866166

K. Jayapriya y I. J. Jacob, "Hybrid fully convolutional networks-based skin lesion segmentation and melanoma detection using deep feature", International Journal of Imaging Systems and Technology, 2019. https://doi.org/10.1002/ima.22377

A. Namozov y Y. I. Cho, "Convolutional Neural Network Algorithm with Parameterized Activation Function for Melanoma Classification", de 2018 International Conference on Information and Communication Technology Convergence (ICTC), Jeju, Korea (South), 2018. https://doi.org/10.1109/ICTC.2018.8539451

J. Yang, F. Xie, H. Fan, Z. Jiang y J. Liu, "Classification for Dermoscopy Images Using Convolutional Neural Networks Based on Region Average Pooling", IEEE Access, vol. 6, 65130-65138, 2018. https://doi.org/10.1109/ACCESS.2018.2877587

Y. Li y L. Shen, "Skin Lesion Analysis towards Melanoma Detection Using Deep Learning Network", Sensors, vol. 18, nº 2, 556, 2018. https://doi.org/10.3390/s18020556

P. Tang, Q. Liang, X. Yan, S. Xiang y D. Zhang, "GP-CNN-DTEL: Global-Part CNN Model With Data-Transformed Ensemble Learning for Skin Lesion Classification", IEEE Journal of Biomedical and Health Informatics, vol. 24, nº 10, 2870-2882, 2020. https://doi.org/10.1109/JBHI.2020.2977013

R. Ashraf, S. Afzal, A. U. Rehman, S. Gul, J. Baber, M. Bakhtyar, I. Mehmood, O.-Y. Song y M. Maqsood, "Region-of-Interest Based Transfer Learning Assisted Framework for Skin Cancer Detection" IEEE Access, vol. 8, 147858-147871, 2020. https://doi.org/10.1109/ACCESS.2020.3014701

H. Wu, J. Pan, Z. Li, Z. Wen y J. Qin, "Automated Skin Lesion Segmentation Via an Adaptive Dual Attention Module", IEEE Transactions on Medical Imaging, vol. 40, nº 1, 357-370, 2021. https://doi.org/10.1109/TMI.2020.3027341

Y. Jiang, S. Cao, S. Tao y H. Zhang, "Skin Lesion Segmentation Based on Multi-Scale Attention Convolutional Neural Network", IEEE Access, vol. 8, 122811-122825, 2020. https://doi.org/10.1109/ACCESS.2020.3007512

A. Gong, X. Yao y W. Lin, "Classification for Dermoscopy Images Using Convolutional Neural Networks Based on the Ensemble of Individual Advantage and Group Decision" IEEE Access, vol. 8, 2020. https://doi.org/10.1109/ACCESS.2020.3019210

L. Wei, K. Ding y H. Hu, "Automatic Skin Cancer Detection in Dermoscopy Images based on Ensemble Lightweight Deep Learning Network". IEEE Access, vol. 8, 99633-99647, 2020. https://doi.org/10.1109/ACCESS.2020.2997710

J. Zhang, Y. Xie, Y. Xia y C. Shen, "Attention Residual Learning for Skin Lesion Classification", IEEE Transactions on Medical Imaging, vol. 38, nº 9, 2092-2103, 2019. https://doi.org/10.1109/TMI.2019.2893944

Cómo citar
Guillermo Guarnizo, J. ., Riaño Borda, S., Camacho Poveda, E. C., & Mateus Rojas, A. (2022). Automated Malignant Melanoma Classification Using Convolutional Neural Networks. Ciencia E Ingeniería Neogranadina, 32(2), 171–185. https://doi.org/10.18359/rcin.6270
Publicado
2022-12-26
Sección
Artículos

Métricas

Crossref Cited-by logo
QR Code