Automated melanoma detection in dermoscopic images

Abstract

Kanser, çeşitli ve tespit edilmesi zor türleri ile insanlar için en tehlikeli hastalıklardan biri haline gelmiştir. Melanom, türleri arasında ölüm oranı en fazla olan cilt kanseri türüdür. Olağan melanom tespit süreci, hastanın farkındalığına ve görsel muayene eden kişinin deneyimine dayanmaktadır. Dermoskopların icadı ile etkileri azalsa da, "öznellik" sorunu melanom tespit doğruluğunda büyük rol oynamakta ve bu da otomatik algılama ihtiyacını doğurmaktadır. Bu tezde, dermoskopik görüntülerde otomatik melanom tespitinin tarihçesi ve daha önce sunulan sistemlerin açıkları incelenmiştir. Bu açıkların üstesinden gelmek için farklı yaklaşımlar araştırılmıştır. Sonuç olarak, geleneksel yöntemleri yeni çağın derin öğrenme teknikleriyle birleştiren Görsel Kelimeler Çantası (BoVW) konseptine dayalı bir melanom saptama algoritması oluşturulmuştur. Yeni algoritmanın performansı, popüler Uluslararası Cilt Görüntüleme İşbirliği (ISIC) 2017 yarışması veri kümesi üzerinde test edilmiş ve son derece iyi sonuçlar elde edilmiştir. %96,2 doğrulukla ve daha da önemli olarak %99,8 hassasiyetle yeni algoritma ISIC 2017 başarı tablosundaki diğer tüm katılımcıları geride bırakmıştır. Hassasiyet, algoritmanın melanom vakalarını doğru sınıflandırma konusundaki başarısını temsil ettiğinden bu başarı, algoritmayı alanında özel bir yere yerleştirmektedir. Son olarak, yeni doğan algoritmanın performansını daha da arttırmak açısından, alan üzerinde gelecekte izlenebilecek yönler araştırılmıştır.

Cancer, with its varying and hard to detect types, became one of the most dangerous diseases for humans. Melanoma is a type of skin cancer that has the most mortality rate among its type. The usual melanoma detection process is based on awareness of the patient and the experience of the visual investigator. Even though the invention of dermoscopes reduce its effects, "subjectivity" problem plays a huge role on the detection accuracy, which creates a need for automated detection. In this thesis, history of automated melanoma detection on dermoscopic images and caveats of present frameworks are studied. Different approaches to overcome these caveats are explored. As a result, a new melanoma detection algorithm based on Bag of Visual Words (BoVW) concept, which combines traditional methods with new age deep learning techniques, is created. The performance of the new algorithm is tested on the popular International Skin Imaging Collaboration (ISIC) Challenge 2017 dataset, which yielded tremendously good results. With 96.2% accuracy and more importantly with 99.8% sensitivity, it surpassed all other entries in the ISIC 2017 Leaderboard. Since, sensitivity represents the algorithm's success on correctly classifying melanoma cases, this success places the algorithm on a special place in the domain. Lastly, future directions on the domain are explored on the terms of increasing the performance of the newly born algorithm further.