Desarrollo y diseño de un entorno de trabajo para la detección inteligente de lesiones en la epidermis mediante análisis y clasificación de imágenes

El proyecto llevado a cabo en este Trabajo Fin de Grado consiste en el desarrollo y diseño de un entorno de trabajo para la detección inteligente de lesiones en la piel mediante el análisis de imágenes dermatoscópicas de la misma, clasificando sus afecciones más comunes en siete clases.

Se ha trabajado con dos redes neuronales (CNN y ResNet) de arquitectura compleja y densa que han permitido obtener unos resultados satisfactorios, superando en ambos casos el umbral del 80% de acierto en la clasificación de imágenes dermatoscópicas de las lesiones cutáneas. Se ha comparado la precisión obtenida con un enfoque puramente secuencial de una Red Neuronal Convolucional (CNN) y una Red Neuronal Residual (ResNet). Por un lado, se ha hecho uso de todas las imágenes disponibles en el conjunto de datos mientras que el otro enfoque ha consistido en fijar el número total de imágenes con las que se ha trabajado, pues no siempre es posible obtener grandes cantidades de datos, como es el caso.
La principal diferencia entre las redes neuronales que se han utilizado reside en que la Red Neuronal Residual ha sido previamente entrenada con el conjunto de datos de ImageNet, mientras que la Red Neuronal Convolucional se ha entrenado directamente con el conjunto de datos del proyecto (más escaso), además de contar con una estructura menos densa. Los modelos han sido alimentados con imágenes pertenecientes al conjunto de datos público "Human Against Machines with 10000 training images". Este conjunto está compuesto de un total de 10015 imágenes dermatoscópicas pertenecientes a distintos individuos, adquiridas y almacenadas según su modalidad y validadas por profesionales del sector dermatológico.

Los algoritmos se basan en técnicas de Aprendizaje Automatizado y hacen uso de la librería Keras, permitiendo obtener un primer diagnóstico para cada persona, según la imagen aportada.

The work carried out in this Final Degree Project consists of developing and designing a working environment for intelligent detection of skin lesions through the analysis of dermatoscopic images of the skin, classifying its most common conditions into seven classes.

Two neural networks (CNN from scratch and fine-tuned ResNet) of complex and dense architecture have been implemented to obtain satisfactory results, exceeding in both cases the threshold of 80% accuracy in the classification of dermoscopic images of skin lesions. The accuracy obtained with a purely sequential approach of a Convolutional Neural Network (CNN) and a Residual Neural Network (ResNet) has been compared. On the one hand, all the images available in the dataset have been used while the other approach has consisted of fixing the total number of images to be worked with, as it is not always possible to obtain large amounts of data.
The main difference between the neural networks used is that the Residual Neural Network has been previously trained with the ImageNet dataset. In contrast, the Convolutional Neural Network has been trained directly with the project dataset (sparser), as well as having a less dense structure. The models have been fed with images belonging to the public dataset "Human Against Machines with 10000 training images". This dataset is composed of a total of 10015 dermatoscopic images belonging to different individuals, acquired and stored according to their modality, and validated by professionals in the dermatological sector.

The algorithms are based on Machine Learning techniques and use the Keras library, allowing to obtain the first diagnosis for each person, according to the image provided.