Soft computing and artificial intelligence for interpretable analysis of dermoscopic images

Resumen

En esta tesis aplicamos técnicas de aprendizaje profundo a imágenes dermoscopicas de lesiones cutáneas. La inteligencia artificial, y más concretamente el aprendizaje profundo, han tenido un gran impacto en la comunidad de la visión por computador en muchos campos. En dermatología, la inteligencia artificial ha logrado una precisión al nivel del dermatólogo para la clasificación del cáncer de piel. Aunque el melanoma sigue siendo una enfermedad incurable, la tasa de supervivencia y la eficacia del tratamiento aumentan en gran medida si se detecta a tiempo. Este trabajo pretende proporcionar herramientas automáticas para ayudar a los médicos a evaluar la malignidad de una lesión cutánea, entre otras cosas: 1. Se diseña un modelo codificador-decodificador para la detección y posterior restauración de los píxeles que representan vello en las imágenes dermoscópicas. La existencia de vello en estas imágenes puede ocluir patrones relevantes y dificultar la evaluación de la lesión. Un test estadístico constata la superioridad de nuestro modelo en ocho de las nueve medidas de similitud utilizadas cuando se compara con los métodos del estado del arte. Además de los buenos resultados cuantitativos en imágenes con vello simulado, se han obtenido excelentes resultados visuales en imágenes con vello real. 2. Se introduce un enfoque de aprendizaje profundo para clasificar las lesiones de la piel como “totalmente asimétricas”, “simétricas con respecto a un eje”, o “simétricas con respecto a dos ejes”, debido a la importancia clínica de la asimetría para evaluar la malignidad de las lesiones. En comparación con los métodos tradicionales, nuestro método propuesto los supera ampliamente, incluso cuando la tarea se simplifica a un problema binario, y se beneficia de no requerir la segmentación de la lesión. Sin embargo, no generaliza bien cuando se le presentan datos de otra base de datos dermatológica. 3. Por último, se han construido dos sistemas de aprendizaje multitarea para proporcionar más contexto al especialista a la hora de tomar una decisión y confiar en nuestro sistema. El primero se centra en segmentar simultáneamente la lesión cutánea y el vello presente en la imagen, así como en realizar el inpainting de las regiones de este vello. El segundo modelo combina las tareas de segmentación de la lesión; y su clasificación según su simetría; su diagnóstico; y su malignidad. En ambos casos, también hemos estudiado cómo influyen las diferentes combinaciones de estas tareas. Encontramos que en algunos casos las tareas se benefician del entorno multitarea, pero en otros, como el inpainting o la clasificación de la simetría, los resultados del rendimiento multitarea son inferiores a su rendimiento en solitario. En particular, las tareas estrechamente relacionadas (p.ej. el diagnóstico y la clasificación de la malignidad) tienden a mejorar su rendimiento cuando se aprenden simultáneamente. Por último, encontramos que la adición de tareas relacionadas actúa como una regularización del aprendizaje, mejorando en algunos casos la velocidad de convergencia. Además, presentamos dos conjuntos de datos. El primero consiste en imágenes convello simulado, mientras que el segundo contiene las anotaciones de tres expertos sobre la simetría de la lesión. En ambos casos, utilizamos imágenes extraídas de conjuntos de datos públicos.