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
Malignant Melanoma Classification with Deep Learning
KTH, School of Engineering Sciences in Chemistry, Biotechnology and Health (CBH), Biomedical Engineering and Health Systems.
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Klassificering av malignt melanom genom djupinlärning (Swedish)
Abstract [en]

Malignant melanoma is the deadliest form of skin cancer. If correctly diagnosed in time, the expected five-year survival rate can increase up to 97 %. Therefore, exploring various methods for early detection can contribute with tools which can be used to improve detection of disease and finally to make sure that help is given in time.

The purpose of this work was to investigate the performance and behavior of different convolutional neural network (CNN) architectures and to explore whether presegmenting clinical images would improve the prediction results on a binary classifier system.

For the purposes of this paper, the two selected CNNs were Inception v3 and DenseNet201. The networks were pretrained on ImageNet and transfer learning techniques such as feature extraction and fine-tuning were used to extract the features of the training set. Batch size was varied and five-fold cross-validation was applied during training to find the optimal number of epochs for training. Evaluation was done on the ISIC test set, the PH2 dataset and a combined set of images from Karolinska University Hospital and FirstDerm, where the latter was also cropped to evaluate presegmentation.

The achieved results for the ISIC test set were AUCs of 0.66 for Inception v3 and 0.71 for DenseNet201. For the PH2 test set, the AUCs were 0.82 and 0.73. The results for the Karolinska and FirstDerm set were 0.49 and 0.42. Presegmenting the latter test set resulted in AUCs of 0.58 and 0.51.

In conclusion, quality of images could have a big impact on the classification performance. Batch size seems to affect the performance and could thus be an important hyperparameter to tune. Ultimately, the Inception v3 architecture seems to be less affected by different variability why selecting this architecture for a real-world clinical image application could be more suitable. However, the networks performed much worse than state of the art results in previous papers and the conclusions are based on rather inconclusive results. Therefore more research has to be done to verify the conclusions.

Abstract [sv]

Malignt melanom är den dödligaste formen av hudcancer. Om en korrekt diagnos sätts tillräckligt tidigt kan den femåriga överlevnadsgraden uppgå till 97 %. Detta gör att forskningen efter metoder för tidigarelagd upptäckt kan bidra med verktyg som i sin tur kan användas till att upptäcka sjukdom och slutligen bidra till att hjälp sätts in i tid.

Målet med detta arbete var att undersöka prestanda och beteende för olika faltningsbara neurala nätverk (CNN) och att undersöka ifall försegmentering av kliniska bilder kunde förbättra resultaten i ett binärt klassificeringssystem.

De utvalda faltningsbara neurala nätverksarkitekturerna var Inception v3 och DenseNet201. Nätverken var förträanade på ImageNet och "Transfer-learning"-metoder som feature extraction och fine-tuning användes för att extrahera features från träningsuppsättningen. Batch size varierades och femtalig korsvalidering användes för att hitta det optimala antalet träningsepoker. Utvärderingen gjordes med bilder i testset från ISIC, PH2 och Karolinska och FirstDerm. Bilderna i den senare datamängden beskärdes för att utvärdera försegmenteringen av kliniska bilder.

De uppnådda resultaten för ISIC testmängden var AUC-värden på 0.66 för Inception v3 och 0.71 för DenseNet201. För PH2 låg AUC-värdena på 0.82 respektive 0.73. Resultaten för testmängden med bilder frön Karolinska och FirstDerm var 0.40 och 0.42. Försegmenteringen av den sistnämnda testmängden gav AUC-värden på 0.58 och 0.51.

Sammanfattningsvis kan bildkvalitet ha en stor inverkan på ett nätverks klassificeringsprestanda. Batch size verkar också påverka resultaten ochkan därför vara en viktig hyperparameter att stämma. Slutligen verkar Inception v3 vara mindre känslig för olika typer av variabiltet vilket görvalet av denna arkitektur mer lämplig ifall en riktig applikation ska byggas för detektion av exempelvis kliniska bilder. Det som bör understrykas i detta arbete är att resultaten var mycket sämre än det som bäst uppvisats i föregående rapporter och att slutasatserna är baserade på relativt ickeövertygande värden. Därför efterkrävs mer forskning för att styrka slutsatserna.

Place, publisher, year, edition, pages
2019. , p. 54
Series
TRITA-CBH-GRU ; 2018:81
Keywords [en]
Melanoma classification deep learning
National Category
Medical Image Processing
Identifiers
URN: urn:nbn:se:kth:diva-241694OAI: oai:DiVA.org:kth-241694DiVA, id: diva2:1282440
Educational program
Master of Science in Engineering - Electrical Engineering
Supervisors
Examiners
Available from: 2019-02-01 Created: 2019-01-24 Last updated: 2019-02-01Bibliographically approved

Open Access in DiVA

fulltext(5589 kB)53 downloads
File information
File name FULLTEXT01.pdfFile size 5589 kBChecksum SHA-512
518af4e8ab12400285b056bae04a528c528e17c3b431b5162abe056b12f6950771d94ae1554d107b7d66e2e4178ddc4c2efb06d65608b0ecb0881254e14827be
Type fulltextMimetype application/pdf

By organisation
Biomedical Engineering and Health Systems
Medical Image Processing

Search outside of DiVA

GoogleGoogle Scholar
Total: 53 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: 150 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