23904

بهبود عملكرد يادگيري عميق در كلاس بندي سرطان هاي پوستي كارسينوماي سلول بازال و كارسينوماي سلول سنگفرشي

كارشناسي ارشد

مهندسي پزشكي-بيوالكتريك

1400/1/30

دكتر حميد بهنام

دكتر مريم نسيمي

مهندسي برق

سرطان پوست گسترده ترين نوع سرطان در سطح جهان است كه دو نوع از سرطان هاي پوستي به نام هاي كارسينوماي سلول بازال(BCC) و كارسينوماي سلول سنگفرشي(SCC) از شايع ترين انواع سرطان پوستي هستند. تشخيص دقيق و به موقع اين دو نوع سرطان، در درمان موثر آن ها و همچنين نجات دادن جان بيمار نقش به سزايي دارد. معمولاً اين سرطان ها با مشاهدات دستي و علائم رايج ثبت شده توسط پزشكان و با استفاده از درموسكوپي تشخيص داده مي شوند اما، به دليل شباهت بين هر دو نوع ضايعه، تشخيص آنها بسيار دشوار است. براي حل اين مسئله، روش هاي كمك تشخيصي رايانه اي(CAD) براي كلاس بندي اين دو سرطان با استفاده از تصاوير درموسكوپي بسيار مورد توجه قرار گرفته است. يكي از روش هاي كمك تشخيصي رايانه اي پركاربرد، شبكه هاي عصبي كانولوشني عميق(DCNN) هستند كه به عنوان روشي جديد و قدرتمند براي كلاس بندي تصاوير شناخته شده اند. امروزه، اين شبكه هاي عصبي، براي كلاس بندي تصاوير درموسكوپي ضايعه پوستي BCC و SCC به جهت روشي كمكي براي متخصصين پوست بسيار مورد توجه قرار گرفته است. اما كافي نبودن تصاوير درموسكوپي اين دو نوع سرطان و همچنين عدم تعادل در تعداد تصاوير در كلاس هاي BCC و SCC، چالش هايي هستند كه محققين در استفاده از اين مدل هاي عميق با آن رو به رو مي شوند كه باعث تضعيف عملكرد كلاس بندي نيز مي شود. در اين پژوهش، براي غلبه بر كمبود داده، از تكنيك هاي يادگيري انتقالي و داده افزايي استفاده شده و براي رفع تأثير عدم تعادل در اهميت و تعداد داده هاي كلاس ها در آموزش شبكه، تابع هزينه كانوني و متعادل سازي وزن داده ها و وزن دهي بيشتر به داده كمتر(كلاس SCC) و ذخيره كردن بهترين مدل با نظارت بر معيار جديد در نظر گرفته شده است. همچنين در اين تحقيق، شبكه هاي عصبي كانولوشني عميق EfficientNetB0، EfficientNetB1 و EfficientNetB2 براي كلاس بندي داده هاي تصويري BCC و SCC در مجموعه داده ISIC2019 در نظر گرفته شده اند كه تعداد پارامترهاي اين شبكه ها به ترتيب از EfficientNetB0 تا EfficientNetB2 افزايش مي يابد و معماري هاي متفاوتي دارند. در نتيجه، اثر اين افزايش بر روي عملكرد كلاس بندي نيز بررسي شده است. در آخر نيز، عملكرد بهترين مدل با شبكه عميق Xception كه تعداد پارامترهاي آن بيشتر از مدل هاي EfficientNet است و معماري متفاوتي دارد، مقايسه شده است. نتيجه بدست آمده نشان مي دهد كه با وزن دهي بيشتر به داده هاي كمتر(SCC) و افزايش پارامترهاي شبكه و داده افزايي مناسب و ذخيره كردن بهترين مدل با نظارت بر معيار جديد، بهترين نتيجه حاصل مي شود. شبكه Xception آموزش ديده با روش هاي پيشنهاد شده در اين پژوهش، با بازيابي %87/61، صحت %91/37، ويژگي برابر %98/05، F1 برابر %89/19 و سطح زير نمودار (AUC) 98/05٪ در مقايسه با ديگر شبكه ها عملكرد بهتري را نشان داده است و در مقايسه با ديگر تحقيقات انجام شده، معيار بازيابي و ويژگي به ميزان %1/51 و معيار AUC به ميزان %2/05 بهبود يافته است كه در نتيجه نشان مي دهد مدل پيشنهادي، بهترين عملكرد را براي كلاس بندي دو نوع سرطان BCC و SCC داشته است.

1400/03/23

Improving the performance of deep learning in the classification of BCC and SCC skin cancers

4/19/2022 12:00:00 AM

Skin cancer is the most widespread type of cancer in the world, with two types of skin cancers called basal cell carcinoma (BCC) and squamous cell carcinoma (SCC) being the newest type of skin cancer. Accurate and timely diagnosis of these two types of cancer plays an important role in their effective treatment and also saving the patient's life. These cancers are usually diagnosed by manual observation and common symptoms recorded by doctors using dermoscopy, but due to the similarities between the two types of lesions, they are very difficult to distinguish. To solve this problem, computer-aided diagnostic (CAD) methods for classifying these two cancers using dermoscopic images have received much attention. One of the most widely used CAD methods is deep convolutional neural networks (DCNNs), which are known as a new and powerful way to classify images. Today, these neural networks have received a great deal of attention from dermatologists for the classification of BCC and SCC dermoscopic images of skin lesions, but the lack of dermoscopic images of these two cancers, as well as the imbalance in the number of images in the BCC and SCC classes, are challenges that researchers face in using these deep models, which also reduces classification performance. In this research, to overcome the data shortage, transfer learning and data augmentation techniques is used and to eliminate the effect of imbalance on the importance and number of class data in network training, the focal loss function and data weight balancing and giving more weight to less data (SCC class) and storing the best model by monitoring the new criterion are considered. Also in this study, EfficientNetB0, EfficientNetB1 and EfficientNetB2 deep convolution neural networks are considered for classifying BCC and SCC image data in ISIC2019 data set. The number of parameters of these networks increases from EfficientNetB0 to EfficientNetB2 and also, they have different architectures. As a result, the effect of this increase in number of parameters on classification performance has also been investigated. Finally, the performance of the best model is compared to the Xception deep network, which has more parameters than the EfficientNet models and has a different architecture. The result shows that by giving more weight to less data (SCC) and increasing network parameters and appropriate data augmentation and storing the best model by monitoring the new criterion, the best result is achieved. Xception network trained with the methods proposed in this study, achieved recall 87.61%, precision 91.37%, F1 89.19% and Area Under the Curve (AUC) 98.05% and compared to other networks As well as other research, The recall and specificity improved by 1.51% and the AUC by 2.05%; therefore, it has the best performance of BCC and SCC classifying.

كارسينوماي سلول بازال , كارسينوماي سلول سنگفرشي , درموسكوپي , شبكه عصبي كانولوشني عميق

Basal cell carcinoma , Squamous cell carcinoma , Dermoscopy , Deep convolutional neural network