Klasyfikacja zmian skórnych na obrazach dermatoskopowych z wykorzystaniem algorytmów głębokiego uczenia i konwolucyjnych sieci neuronowych

Nowotwory skóry pozostają jednymi z najczęściej występujących rodzajów raka na świecie, a liczba zachorowań przewidywana jest do wzrostu w nadchodzących latach. Wczesne wykrycie i dokładna diagnoza są kluczowe dla skutecznego leczenia. Tradycyjne metody diagnostyczne opierają się w dużej mierze na ocenie wizualnej i doświadczeniu dermatologa, co może prowadzić do błędnych diagnoz. Niniejsza praca przedstawia projekt i ocenę systemu klasyfikacji zmian skórnych z wykorzystaniem algorytmów głębokiego uczenia i konwolucyjnych sieci neuronowych. Zaimplementowano i porównano cztery architektury sieci neuronowych: autorską sieć CNN oraz trzy wstępnie wytrenowane modele—ResNet50, EfficientNet-B0 i VGG16. Wszystkie modele zostały wytrenowane i ocenione na zrównoważonym zbiorze 1500 zdjęć dermoskopowych pozyskanych z galerii ISIC Archive, równomiernie rozłożonych na trzy kategorie diagnostyczne: łagodne, przednowotworowe i złośliwe. Modele oceniano za pomocą wielu metryk, w tym dokładności, czułości, swoistości, precyzji, F1-score i ważonej kwadratowej Kappy. Model EfficientNet-B0 osiągnął najlepszą ogólną wydajność z dokładnością 86,22% i wynikiem ważonej kwadratowej Kappy na poziomie 0,7667, co wskazuje na znaczącą zgodność z diagnozami klinicznymi. Autorska sieć CNN osiągnęła porównywalne wyniki z dokładnością 86,67% i QWK na poziomie 0,7129. Jednak nadal istnieją wyzwania, w tym potrzeba dalszej poprawy wykrywania zmian złośliwych i redukcji błędów między przeciwnymi klasami.
Słowa kluczowe: nowotwór skóry, klasyfikacja zmian skórnych, głębokie uczenie, konwolucyjne sieci neuronowe, obrazy dermoskopowe

Skin cancer remains one of the most common types of cancer worldwide, with the number of cases predicted to rise in the coming years. Early detection and accurate diagnosis are crucial for successful treatment outcomes. Traditional diagnostic methods rely heavily on visual inspection and dermatologist’s experience, which can lead to misdiagnosis. This thesis presents the design and evaluation of a skin lesion classification system using deep learning algorithms and convolutional neural networks. Four neural network architectures were implemented and compared: a custom CNN, as well as three pre-trained models—ResNet50, EfficientNet-B0, and VGG16. All models were trained and evaluated on a balanced dataset of 1,500 dermoscopic images obtained from ISIC Archive gallery evenly distributed across three diagnostic categories: benign, premalignant, and malignant. he models were assessed using multiple performance metrics including accuracy, sensitivity, specificity, precision, F1-score, and Quadratic Weighted Kappa. The EfficientNet-B0 model achieved the best overall performance with an accuracy of 86.22% and a Quadratic Weighted Kappa score of 0.7667, indicating substantial agreement with clinical diagnoses. The custom CNN achieved comparable results with 86.67% accuracy and a QWK of 0.7129. However, challenges remain, including the need for further improvement in malignant lesion detection and reduction of opposite-class errors.
Keywords: skin cancer, skin cancer classification, deep learning, convolutional neural networks, dermoscopic images