CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Uveal melanoma identification using artificial neural networks
KTH, School of Electrical Engineering and Computer Science (EECS).
2018 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Uveal melanoma is a deadly form of cancer that can develop from a uveal nevus in the eye fundus. By using deep convolutional networks this thesis aims to classify fundus images based on malignancy.

A baseline model was compared against two state-of-the-art networks, Inceptionv3 and ResNet. The baseline model was trained using different gradient descent optimizers and image augmentations to find the best hyper parameters for the data. The state-of-the-art networks achieved comparable accuracy, with Inception-v3 achieving 0.912 AUC after training on 8360 samples.

With 96% sensitivity, the same value as ophthalmologists, the top network achieves a specificity of 59% meaning that the network can greatly reduce theamount of manual naevi eye examinations by filtering out healthy subjects.

Abstract [sv]

Uvealt melanom är en dödlig form av cancer som orsakas av pigmenförändringar i retina. Sjukdomen har en hög risk at metastasera sig i levern och när metastaserna är kliniskt manifesta är överlevnaden i allmänhet begränsad till några få månader.

Genom att träna ett neuralt nätverk är målet med detta arbete att klassificera ögonbottenbilder på chorioidala naevi som benigna eller maligna. Detta har genomförts genom att utvärdera tre olika faltningsnätverk. Nätverken Inception-v3 och ResNet har jämförts med ett simpelt sex-lagers nätverk. En rad olika konfigurationer av hyperparametrar har utvärderats för att hitta en optimal modell.

Efter träning på 8360 datapunkter nådde Inception-v3 ett AUC-värde på 0.912. Med 96% sensitivitet, vilket är samma nivå som oftalmologer, uppnår nätverket 59% specificitet. Alltså kan nätverket filtrera bort en stor del av de friska patienter som undersöks av läkare. Detta kan därför innebära en stor resurseffektivisering av patienter med pigmentförändringar i retina.

Place, publisher, year, edition, pages
2018.
Series
TRITA-EECS-EX ; 2018:730
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-241086OAI: oai:DiVA.org:kth-241086DiVA, id: diva2:1276957
External cooperation
S:t Erik
Supervisors
Examiners
Available from: 2019-01-10 Created: 2019-01-09 Last updated: 2019-01-10Bibliographically approved

Open Access in DiVA

fulltext(3220 kB)1 downloads
File information
File name FULLTEXT01.pdfFile size 3220 kBChecksum SHA-512
453a8972a3ee8e0e7e7d3e459fa6bf201f6e69ceb54c42325b70a59af3c15746b8e5c92655be8cbdaeb7f8f211eb2c9da14f45141f86f9c708aa4019d3fac210
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 1 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 10 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf