Published January 1, 2022
| Version v1
Publication
Open
Skin Cancer Detection Using Combined Decision of Deep Learners
Creators
- 1. Air University
- 2. Beijing University of Technology
- 3. Iqra University
- 4. National University of Computer and Emerging Sciences
- 5. Al Baha University
- 6. King Abdulaziz City for Science and Technology
Description
Cancer is a deadly disease that arises due to the growth of uncontrollable body cells. Every year, a large number of people succumb to cancer and it's been labeled as the most serious public health snag. Cancer can develop in any part of the human anatomy, which may consist of trillions of cellules. One of the most frequent type of cancer is skin cancer which develops in the upper layer of the skin. Previously, machine learning techniques have been used for skin cancer detection using protein sequences and different kinds of imaging modalities. The drawback of the machine learning approaches is that they require human-engineered features, which is a very laborious and time-taking activity. Deep learning addressed this issue to some extent by providing the facility of automatic feature extraction. In this study, convolution-based deep neural networks have been used for skin cancer detection using ISIC public dataset. Cancer detection is a sensitive issue, which is prone to errors if not timely and accurately detected. The performance of the individual machine learning models to detect cancer is limited. The combined decision of individual learners is expected to be more accurate than the individual learners. The ensemble learning technique exploits the diversity of learners to yield a better decision. Thus, the prediction accuracy can be enhanced by combing the decision of individual learners for sensitive issues such as cancer detection. In this paper, an ensemble of deep learners has been developed using learners of VGG, CapsNet, and ResNet for skin cancer detection. The results show that the combined decision of deep learners is superior to the finding of individual learners in terms of sensitivity, accuracy, specificity, F-score, and precision. The experimental results of this study provide a compelling reason to be applied for other disease detection.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
السرطان مرض مميت ينشأ بسبب نمو خلايا الجسم التي لا يمكن السيطرة عليها. في كل عام، يخضع عدد كبير من الناس للسرطان ويوصف بأنه أخطر عقبة في الصحة العامة. يمكن أن يتطور السرطان في أي جزء من التشريح البشري، والذي قد يتكون من تريليونات الخلايا. أحد أكثر أنواع السرطان شيوعًا هو سرطان الجلد الذي يتطور في الطبقة العليا من الجلد. في السابق، تم استخدام تقنيات التعلم الآلي للكشف عن سرطان الجلد باستخدام تسلسلات البروتين وأنواع مختلفة من طرق التصوير. عيب مناهج التعلم الآلي هو أنها تتطلب ميزات هندسية بشرية، وهو نشاط شاق للغاية ويستغرق وقتًا طويلاً. عالج التعلم العميق هذه المشكلة إلى حد ما من خلال توفير إمكانية الاستخراج التلقائي للميزات. في هذه الدراسة، تم استخدام الشبكات العصبية العميقة القائمة على الالتفاف للكشف عن سرطان الجلد باستخدام مجموعة البيانات العامة للتصنيف الصناعي الدولي الموحد. يعد اكتشاف السرطان مشكلة حساسة، وهي عرضة للأخطاء إذا لم يتم اكتشافها في الوقت المناسب وبدقة. أداء نماذج التعلم الآلي الفردية للكشف عن السرطان محدود. من المتوقع أن يكون القرار المشترك للمتعلمين الفرديين أكثر دقة من المتعلمين الفرديين. تستغل تقنية التعلم الجماعي تنوع المتعلمين للتوصل إلى قرار أفضل. وبالتالي، يمكن تعزيز دقة التنبؤ من خلال تمشيط قرار المتعلمين الفرديين للقضايا الحساسة مثل اكتشاف السرطان. في هذه الورقة، تم تطوير مجموعة من المتعلمين العميق باستخدام متعلمي VGG و CapsNet و ResNet للكشف عن سرطان الجلد. تظهر النتائج أن القرار المشترك للمتعلمين العميق يتفوق على العثور على المتعلمين الفرديين من حيث الحساسية والدقة والخصوصية والنتيجة F والدقة. توفر النتائج التجريبية لهذه الدراسة سببًا مقنعًا لتطبيقه للكشف عن الأمراض الأخرى.Translated Description (French)
Le cancer est une maladie mortelle qui survient en raison de la croissance de cellules corporelles incontrôlables. Chaque année, un grand nombre de personnes succombent au cancer et il a été qualifié de problème de santé publique le plus grave. Le cancer peut se développer dans n'importe quelle partie de l'anatomie humaine, qui peut être constituée de milliers de milliards de cellules. L'un des types de cancer les plus fréquents est le cancer de la peau qui se développe dans la couche supérieure de la peau. Auparavant, les techniques d'apprentissage automatique ont été utilisées pour la détection du cancer de la peau en utilisant des séquences de protéines et différents types de modalités d'imagerie. L'inconvénient des approches d'apprentissage automatique est qu'elles nécessitent des fonctionnalités conçues par l'homme, ce qui est une activité très laborieuse et fastidieuse. L'apprentissage en profondeur a résolu ce problème dans une certaine mesure en fournissant la possibilité d'extraction automatique des fonctionnalités. Dans cette étude, des réseaux de neurones profonds basés sur la convolution ont été utilisés pour la détection du cancer de la peau à l'aide d'un ensemble de données publiques ISIC. La détection du cancer est une question sensible, qui est sujette à des erreurs si elle n'est pas détectée en temps opportun et avec précision. Les performances des modèles individuels d'apprentissage automatique pour détecter le cancer sont limitées. La décision combinée des apprenants individuels devrait être plus précise que celle des apprenants individuels. La technique d'apprentissage d'ensemble exploite la diversité des apprenants pour prendre une meilleure décision. Ainsi, la précision de la prédiction peut être améliorée en combinant la décision des apprenants individuels pour des questions sensibles telles que la détection du cancer. Dans cet article, un ensemble d'apprenants profonds a été développé en utilisant des apprenants de VGG, CapsNet et ResNet pour la détection du cancer de la peau. Les résultats montrent que la décision combinée des apprenants profonds est supérieure à la découverte des apprenants individuels en termes de sensibilité, de précision, de spécificité, de score F et de précision. Les résultats expérimentaux de cette étude fournissent une raison convaincante d'être appliquée pour la détection d'autres maladies.Translated Description (Spanish)
El cáncer es una enfermedad mortal que surge debido al crecimiento de células corporales incontrolables. Cada año, un gran número de personas sucumben al cáncer y ha sido etiquetado como el problema de salud pública más grave. El cáncer puede desarrollarse en cualquier parte de la anatomía humana, que puede consistir en billones de células. Uno de los tipos de cáncer más frecuentes es el cáncer de piel que se desarrolla en la capa superior de la piel. Anteriormente, las técnicas de aprendizaje automático se han utilizado para la detección del cáncer de piel utilizando secuencias de proteínas y diferentes tipos de modalidades de imágenes. El inconveniente de los enfoques de aprendizaje automático es que requieren características de ingeniería humana, que es una actividad muy laboriosa y que requiere mucho tiempo. El aprendizaje profundo abordó este problema hasta cierto punto al proporcionar la facilidad de extracción automática de funciones. En este estudio, se han utilizado redes neuronales profundas basadas en convolución para la detección del cáncer de piel utilizando el conjunto de datos públicos de la CIIU. La detección del cáncer es un tema delicado, que es propenso a errores si no se detecta a tiempo y con precisión. El rendimiento de los modelos individuales de aprendizaje automático para detectar el cáncer es limitado. Se espera que la decisión combinada de los alumnos individuales sea más precisa que la de los alumnos individuales. La técnica de aprendizaje conjunto aprovecha la diversidad de los alumnos para tomar una mejor decisión. Por lo tanto, la precisión de la predicción se puede mejorar combinando la decisión de los alumnos individuales sobre cuestiones delicadas, como la detección del cáncer. En este documento, se ha desarrollado un conjunto de estudiantes profundos utilizando estudiantes de VGG, CapsNet y ResNet para la detección del cáncer de piel. Los resultados muestran que la decisión combinada de los estudiantes profundos es superior al hallazgo de los estudiantes individuales en términos de sensibilidad, precisión, especificidad, puntaje F y precisión. Los resultados experimentales de este estudio proporcionan una razón de peso para aplicar en la detección de otras enfermedades.Files
09940917.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:46a586ecf18b7985515f8055fa7252d1
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- الكشف عن سرطان الجلد باستخدام القرار المشترك للمتعلمين العميقين
- Translated title (French)
- Détection du cancer de la peau à l'aide de la décision combinée des apprenants profonds
- Translated title (Spanish)
- Detección del cáncer de piel utilizando la decisión combinada de los estudiantes profundos
Identifiers
- Other
- https://openalex.org/W4312846141
- DOI
- 10.1109/access.2022.3220329
References
- https://openalex.org/W128094615
- https://openalex.org/W2072802312
- https://openalex.org/W2194775991
- https://openalex.org/W2526259914
- https://openalex.org/W2564782580
- https://openalex.org/W2581082771
- https://openalex.org/W2591669284
- https://openalex.org/W2592124696
- https://openalex.org/W2607363228
- https://openalex.org/W2611248927
- https://openalex.org/W2612806369
- https://openalex.org/W2623166637
- https://openalex.org/W2751686900
- https://openalex.org/W2752782242
- https://openalex.org/W2766119523
- https://openalex.org/W2788686457
- https://openalex.org/W2887315363
- https://openalex.org/W2893186653
- https://openalex.org/W2901685049
- https://openalex.org/W2932083555
- https://openalex.org/W2946260418
- https://openalex.org/W2963059730
- https://openalex.org/W3014613513
- https://openalex.org/W3015806114
- https://openalex.org/W3018821700
- https://openalex.org/W3085405424
- https://openalex.org/W3093389643
- https://openalex.org/W3115591251
- https://openalex.org/W3124870508
- https://openalex.org/W3127990383
- https://openalex.org/W3128905466
- https://openalex.org/W3129684848
- https://openalex.org/W3133356497
- https://openalex.org/W3138983174
- https://openalex.org/W3153574860
- https://openalex.org/W3155292494
- https://openalex.org/W3157370426
- https://openalex.org/W3159690776
- https://openalex.org/W3165071003
- https://openalex.org/W3195373382
- https://openalex.org/W4220797664
- https://openalex.org/W4280577694
- https://openalex.org/W4283377174
- https://openalex.org/W4284898519
- https://openalex.org/W4285152660
- https://openalex.org/W4289693835