Published April 30, 2024
| Version v1
Publication
Open
Classifying Melanoma in ISIC Dermoscopic Images Using Efficient Convolutional Neural Networks and Deep Transfer Learning
- 1. Aswan University
- 2. College of Applied Sciences, Nizwa
Description
Melanoma, recognized as the most life-threatening form of skin cancer, poses a significant threat to life expectancy.The timely identification of melanoma plays a crucial role in mitigating the morbidity and mortality associated with skin cancer.Dermoscopic images, acquired through advanced dermoscopic tools, serve as vital resources for the early detection of skin cancer.Hence, there is an urgent need to develop a reliable and accurate Computer-Aided Diagnosis (CAD) system capable of autonomously discerning skin cancer.This study focuses on the meticulous construction of diverse skin cancer classification models, specifically employing various Convolutional Neural Network (CNN) architectures configured across four distinct layer arrangements.Additionally, a transfer learning approach is explored, leveraging robust pre-trained deep CNN models extensively trained on the comprehensive ISIC dermoscopic image dataset, known for its diversity in skin lesions.Utilizing the ISIC dataset as the foundation of our analysis, the CNN model's performance is systematically evaluated with varying numbers of layers-ranging from 15 to 27. Results indicate that the CNN model comprising 15 layers achieves an accuracy of 89.55%, while the model with 27 layers exhibits the highest performance, attaining an accuracy of 90.85%.In the realm of transfer learning, ten baseline CNN models pre-trained on ImageNet are employed.All baseline models demonstrate accuracies surpassing 80%, with SqueezeNet recording the lowest accuracy at 80.89%.In contrast, the ResNet-50 model consistently outperforms other models in transfer learning, achieving an accuracy of 92.98%.These findings underscore the efficacy of the proposed models in melanoma classification and highlight the superior performance of the ResNet-50 model in the context of transfer learning.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يشكل الميلانوما، المعترف به على أنه أكثر أشكال سرطان الجلد تهديدًا للحياة، تهديدًا كبيرًا لمتوسط العمر المتوقع. يلعب تحديد سرطان الجلد في الوقت المناسب دورًا حاسمًا في التخفيف من المراضة والوفيات المرتبطة بسرطان الجلد. تعمل الصور التنظيرية الجلدية، التي تم الحصول عليها من خلال أدوات تنظير الجلد المتقدمة، كمصادر حيوية للكشف المبكر عن سرطان الجلد. هناك حاجة ملحة لتطوير نظام تشخيص بمساعدة الكمبيوتر (CAD) موثوق به ودقيق قادر على تمييز سرطان الجلد بشكل مستقل. تركز هذه الدراسة على البناء الدقيق لنماذج تصنيف سرطان الجلد المتنوعة، والتي تستخدم على وجه التحديد مختلف بنيات الشبكة العصبية الالتفافية (CNN) التي تم تكوينها عبر أربعة ترتيبات طبقات متميزة. بالإضافة إلى ذلك، يتم استكشاف نهج تعلم النقل، والاستفادة من نماذج CNN العميقة المدربة مسبقًا والمدربة مسبقًا على نطاق واسع على مجموعة بيانات الصور التنظيرية الشاملة ISIC، والمعروفة بتنوعها في الآفات الجلدية. الاستفادة من مجموعة بيانات ISIC كأساس لتحليلنا، يتم تقييم نظام أداء CNN بشكل منهجي مع اختلاف أعداد الطبقات من 15 إلى 27 طبقة. تشير النتائج إلى أن نموذج CNN المكون من 15 طبقة يحقق دقة بنسبة 89.55 ٪، في حين أن النموذج المكون من 27 طبقة يظهر أعلى أداء، ويحقق دقة بنسبة 90.85 ٪. في مجال تعلم النقل، يتم استخدام عشرة نماذج أساسية لشبكة CNN مدربة مسبقًا على ImageNet. تظهر جميع النماذج الأساسية دقة تتجاوز 80 ٪، مع تسجيل SqueezeNet أدنى دقة بنسبة 80.89 ٪. في المقابل، يتفوق نموذج ResNet -50 باستمرار على النماذج الأخرى في تعلم النقل، ويحقق دقة 92.98 ٪. تؤكد هذه النتائج فعالية النماذج المقترحة في تصنيف سرطان الجلد وتسلط الضوء على الأداء المتفوق لنموذج ResNet -50 في سياق تعلم النقل.Translated Description (French)
Le mélanome, reconnu comme la forme la plus dangereuse de cancer de la peau, constitue une menace importante pour l'espérance de vie. L'identification rapide du mélanome joue un rôle crucial dans l'atténuation de la morbidité et de la mortalité associées au cancer de la peau. Les images dermoscopiques, acquises grâce à des outils dermoscopiques avancés, constituent des ressources vitales pour la détection précoce du cancer de la peau. Par conséquent, il est urgent de développer un système de diagnostic assisté par ordinateur (CAD) fiable et précis capable de discerner de manière autonome le cancer de la peau. Cette étude se concentre sur la construction méticuleuse de divers modèles de classification du cancer de la peau, en utilisant spécifiquement diverses architectures de réseau neuronal convolutionnel (CNN) configurées dans quatre arrangements de couches distincts. En outre, une approche d'apprentissage par transfert est explorée, en tirant parti de modèles CNN profonds robustes et préformés, largement formés sur l'ensemble complet de données d'images dermoscopiques ISIC, connu pour sa diversité dans les lésions cutanées. En utilisant l'ensemble de données ISIC comme fondement de notre analyse, les performances du modèle CNN sont systématiquement évaluées avec des nombres variables de couches allant de 15 à 27. Les résultats indiquent que le modèle CNN comprenant 15 couches atteint une précision de 89,55 %, tandis que le modèle à 27 couches présente les performances les plus élevées, atteignant une précision de 90,85 %. Dans le domaine de l'apprentissage par transfert, dix modèles CNN de base pré-entraînés sur ImageNet sont employés. Tous les modèles de base démontrent des précisions dépassant 80 %, SqueezeNet enregistrant la précision la plus faible à 80,89 %. En revanche, le modèle ResNet-50 surpasse constamment les autres modèles dans l'apprentissage par transfert, atteignant une précision de 92,98 %. Ces résultats soulignent l'efficacité des modèles proposés dans la classification des mélanomes et soulignent la performance supérieure du modèle ResNet-50 dans le contexte de l'apprentissage par transfert.Translated Description (Spanish)
El melanoma, reconocido como la forma más peligrosa para la vida del cáncer de piel, representa una amenaza significativa para la esperanza de vida. La identificación oportuna del melanoma juega un papel crucial en la mitigación de la morbilidad y la mortalidad asociadas con el cáncer de piel. Las imágenes dermoscópicas, adquiridas a través de herramientas dermoscópicas avanzadas, sirven como recursos vitales para la detección temprana del cáncer de piel. Por lo tanto, existe una necesidad urgente de desarrollar un sistema de diagnóstico asistido por ordenador (CAD) confiable y preciso capaz de discernir de forma autónoma el cáncer de piel. Este estudio se centra en la construcción meticulosa de diversos modelos de clasificación del cáncer de piel, empleando específicamente varias arquitecturas de redes neuronales convolucionales (CNN) configuradas en cuatro disposiciones de capas distintas. Además, se explora un enfoque de aprendizaje por transferencia, aprovechando modelos sólidos de CNN profundos previamente entrenados ampliamente entrenados en el conjunto de datos de imágenes dermoscópicas ISIC integral, conocido por su diversidad en lesiones cutáneas. Utilizando el conjunto de datos ISIC como base de nuestro análisis, el rendimiento del modelo CNN se evalúa sistemáticamente con un número variable de capas, que van de 15 a 27. Los resultados indican que el modelo CNN que comprende 15 capas logra una precisión del 89,55%, mientras que el modelo con 27 capas exhibe el mayor rendimiento, alcanzando una precisión del 90,85%. En el ámbito del aprendizaje por transferencia, se emplean diez modelos CNN de referencia preentrenados en ImageNet. Todos los modelos de referencia demuestran precisiones que superan el 80%, y SqueezeNet registra la precisión más baja con un 80,89%. En contraste, el modelo ResNet-50 supera constantemente a otros modelos en el aprendizaje por transferencia, logrando una precisión del 92,98%. Estos hallazgos subrayan la eficacia de los modelos propuestos en la clasificación del melanoma y resaltan el rendimiento superior del modelo ResNet-50 en el contexto del aprendizaje por transferencia.Files
129619.pdf
Files
(1.3 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:3642653c2dbc9c5459f4bead966dbfeb
|
1.3 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تصنيف الميلانوما في صور التنظير الجلدي ISIC باستخدام الشبكات العصبية الالتفافية الفعالة وتعلم النقل العميق
- Translated title (French)
- Classification du mélanome dans les images dermoscopiques de la CITI à l'aide de réseaux neuronaux convolutifs efficaces et d'apprentissage par transfert profond
- Translated title (Spanish)
- Clasificación del melanoma en imágenes dermatoscópicas ISIC utilizando redes neuronales convolucionales eficientes y aprendizaje por transferencia profunda
Identifiers
- Other
- https://openalex.org/W4396519812
- DOI
- 10.18280/ts.410211
References
- https://openalex.org/W1480009832
- https://openalex.org/W1994616650
- https://openalex.org/W1998451602
- https://openalex.org/W2026626864
- https://openalex.org/W2038230718
- https://openalex.org/W2096414179
- https://openalex.org/W2097117768
- https://openalex.org/W2152950860
- https://openalex.org/W2158698691
- https://openalex.org/W2194775991
- https://openalex.org/W2404812871
- https://openalex.org/W2532477205
- https://openalex.org/W2537189671
- https://openalex.org/W2567713898
- https://openalex.org/W2588463901
- https://openalex.org/W2591669284
- https://openalex.org/W2626685773
- https://openalex.org/W2756770081
- https://openalex.org/W2782614058
- https://openalex.org/W2792643794
- https://openalex.org/W2809527961
- https://openalex.org/W2886930894
- https://openalex.org/W2889565676
- https://openalex.org/W2910964255
- https://openalex.org/W2911653980
- https://openalex.org/W2913790348
- https://openalex.org/W2953747367
- https://openalex.org/W2962835968
- https://openalex.org/W2963125010
- https://openalex.org/W2967810221
- https://openalex.org/W2979088942
- https://openalex.org/W3019531985
- https://openalex.org/W3037536631
- https://openalex.org/W3048126454
- https://openalex.org/W3114236412
- https://openalex.org/W3156313549
- https://openalex.org/W3165685657
- https://openalex.org/W4250240360
- https://openalex.org/W4283757235
- https://openalex.org/W4300852401
- https://openalex.org/W596427627