Show simple item record

dc.contributorGiró Nieto, Xavier
dc.contributorMarques, Oge
dc.contributor.authorRomero López, Adrià
dc.contributor.otherUniversitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions
dc.date.accessioned2017-02-03T15:12:26Z
dc.date.available2017-02-03T15:12:26Z
dc.date.issued2017-01
dc.identifier.urihttp://hdl.handle.net/2117/100559
dc.descriptionComputer vision techniques can help doctors into measuring and tracking the evolution of skin lesions through time. This project will explore one of this study cases.
dc.description.abstractLa recién llegada de técnicas de aprendizaje automático (conocidas en inglés como "machine learning") y de aprendizaje profundo ("deep learning") aplicados al análisis de imágenes médicas ha facilitado la aparición de sistemas de diagnóstico inteligentes que pueden dar soporte a médicos y profesionales de la salud a tomar decisiones más acertadas sobre la salud del paciente. En concreto, en el campo del tratamiento de imágenes de piel, la aplicación de estos nuevos métodos tienen una alta probabilidad de éxito. Este trabajo se centra en el problema de detección automática de lesiones de piel, en concreto, en la detección de melanoma a partir de una segmentación semántica de la lesión seguida de una clasificación en forma de imágenes dermoscópicas utilizando un modelo de aprendizaje profundo. Con el fin de dar solución al primer problema, la red neuronal convolucionales llamada U-Net es aplicada con la intención de obtener una exacta extracción de la región pertinente a lesión. Para el segundo problema, el modelo propuesto aplica una clasificación binaria (benigno versus maligno) que puede ser útil para una detección temprana de melanoma. El modelo permite una generalización para cualquier clasificación de lesiones de piel. La solución propuesta utiliza la arquitectura de la red convolucional VGG-Net e investiga el paradigma de la transferencia de aprendizaje. Finalmente, el proyecto realiza una evaluación comparativa del caso sencillo de clasificación (sobre las imágenes originales) sobre una combinación de las dos ideas (segmentación seguida de una clasificación) con la intención de averiguar cuál de ellas logra un mejor resultado en la clasificación. Los resultados de los experimentos en la tarea de la clasificación son alentadores: en el conjunto de datos (dataset) del ISIC Archive, el método propuesto consigue una métrica de exactitud (conocida como "accuracy") de entre las tres mejores de todos los resultados a día de hoy publicados. Por otra banda, los resultados de la segmentación demuestran que el modelo propuesto puede llegar a superar otras propuestas del estado del arte (anglicismo de la expresión "state of the art").
dc.description.abstractThe recent emergence of machine learning and deep learning methods for medical image analysis has enabled the development of intelligent medical imaging-based diagnosis systems that can assist physicians in making better decisions about a patient's health. In particular, skin imaging is a field where these new methods can be applied with a high rate of success. This thesis focuses on the problem of automatic skin lesion detection, particularly on melanoma detection, by applying semantic segmentation and classification from dermoscopic images using a deep learning based approach. For the first problem, a U-Net convolutional neural network architecture is applied for an accurate extraction of the lesion region. For the second problem, the current model performs a binary classification (benign versus malignant) that can be used for early melanoma detection. The model is general enough to be extended to multi-class skin lesion classification. The proposed solution is built around the VGG-Net ConvNet architecture and uses the transfer learning paradigm. Finally, this work performs a comparative evaluation of classification alone (using the entire image) against a combination of the two approaches (segmentation followed by classification) in order to assess which of them achieves better classification results. Experimental results for the classification task are encouraging: on the ISIC Archive dataset, the proposed method achieves an accuracy in the top three of the best previously published results. The experimental results of the segmentation evaluations demonstrate that the proposed method can outperform other state-of-the-art models.
dc.description.abstractLa recent arribada de tècniques d'aprenentatge automàtic (conegudes en anglès com a "machine learning") i d'aprenentatge profund ("deep learning") aplicat a l'anàlisi d'imatges mèdiques ha facilitat l'aparició de sistemes de diagnòstic intel·ligents que poden ajudar als metges i facultatius a fer decisions més encertades sobre la salut del pacient. En concret, en el camp del tractament d'imatges de pell, l'aplicació d'aquests nous mètodes tenen un alta probabilitat d'èxit. Aquest treball es centra en el problema de detecció automàtica de lesions de pell, en particular, en la detecció de melanoma a partir d'una segmentació semàntica de la lesió i una posterior classificació en forma d'imatges dermoscòpiques fent servir un model d'aprenentatge profund.Per afrontar el primer problema, la xarxa neuronal convolucional anomenada U-Net és aplicada amb la intenció d'obtenir una acurada extracció de la regió pertinent a la lesió. Per al segon problema, el model proposat aplica una classificació binària (benigne versus maligne) que pot ser útil per a la detecció primerenca de melanoma. El model permet una generalització per a qualsevol classificació de lesions de pell. La solució proposada fa servir l'arquitectura de la xarxa convolucional VGG-Net i investiga el paradigma de la transferència d'aprenentatge. Finalment, el projecte realitza una avaluació comparativa del cas senzill de classificació (sobre la imatge original) amb la combinació de les dues idees (segmentació seguida d'una classificació) amb la intenció d'esbrinar quina d'elles aconsegueix el millor resultat en la classificació. Els resultats dels experiments en la tasca de classificació són encoratjadors: en el conjunt de dades (dataset) de l'ISIC Archive, el mètode proposat aconsegueix una mètrica d'exactitud (anomenada "accuracy") d'entre les tres millors de tots els resultats publicats. Per altre banda, els resultats de la segmentació demostren que el model proposat pot superar altres propostes de l'estat de l'art (anglicisme de l'expressió "state of the art").
dc.language.isoeng
dc.publisherUniversitat Politècnica de Catalunya
dc.rightsS'autoritza la difusió de l'obra mitjançant la llicència Creative Commons o similar 'Reconeixement-NoComercial- SenseObraDerivada'
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/
dc.subjectÀrees temàtiques de la UPC::Enginyeria de la telecomunicació
dc.subject.lcshImaging systems in medicine
dc.subject.lcshMedicine -- Data processing
dc.subject.lcshArtificial intelligence
dc.subject.othermedical imaging
dc.subject.otherartificial intelligence
dc.subject.othermedicine
dc.subject.otherinteligencia artificial
dc.subject.othermedicina
dc.subject.otherImagen médica
dc.subject.otherMedicina -- Processament de dades
dc.titleSkin lesion detection from dermoscopic images using convolutional neural networks
dc.title.alternativeDetección de lesiones de piel a partir de redes neuronales convolucionales
dc.title.alternativeDetecció de lesions de pell a partir de xarxes neuronals convolucionals
dc.typeBachelor thesis
dc.subject.lemacImatges mèdiques -- Tractament
dc.subject.lemacMedicina -- Informàtica
dc.subject.lemacIntel·ligència artificial
dc.identifier.slugETSETB-230.121640
dc.rights.accessOpen Access
dc.date.updated2017-02-03T06:51:17Z
dc.audience.educationlevelGrau
dc.audience.mediatorEscola Tècnica Superior d'Enginyeria de Telecomunicació de Barcelona
dc.audience.degreeGRAU EN ENGINYERIA DE SISTEMES AUDIOVISUALS (Pla 2009)
dc.contributor.covenanteeFlorida Atlantic University


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 Spain
Except where otherwise noted, content on this work is licensed under a Creative Commons license : Attribution-NonCommercial-NoDerivs 3.0 Spain