Detector automático de lesiones de piel en imágenes dermoscópicas con deep learning

En la actualidad destaca el auge de las técnicas de aprendizaje máquina, en inglés Machine Learning, pues han experimentado un impresionante desarrollo a raíz de la creciente disponibilidad de datos, en inglés Big Data, así como la capacidad actual de computación y procesamiento de los mismos. En concreto, una de las técnicas más utilizada en los sistemas de reconocimiento es el aprendizaje profundo, en inglés Deep Learning, la cual requiere de gran cantidad de datos para lograr buenos resultados. A lo largo de este documento se presenta el desarrollo de un sistema automático de detección de manchas de piel en imágenes dermoscópicas, basado en la novedosa técnica de aprendizaje profundo perteneciente al campo de Redes Neuronales Artificiales. Se pretende establecer las bases para la aplicación de esta técnica en el campo de investigación de la detección, segmentación y clasificación de imágenes digitales. En concreto se aplica sobre las lesiones de piel, donde se trata de avanzar en la detección precoz del melanoma; un tumor cutáneo cuya incidencia y mortalidad ha aumentado drásticamente en las últimas décadas. El diagnóstico precoz reduce la posibilidad de metástasis y, por lo tanto, la comunidad científica está invirtiendo gran esfuerzo en sistemas de ayuda al diagnóstico que permitan detectar un melanoma ya sea desde una imagen dermoscópica tomada en la consulta del especialista o desde una imagen adquirida por el propio paciente, por ejemplo, desde su teléfono móvil. La primera parte del sistema automático a desarrollar tiene que segmentar la lesión de la piel a fin de permitir el correcto funcionamiento de partes posteriores del sistema. El presente proyecto trata precisamente esta primera y fundamental parte del sistema automático. Partiendo de los conocimientos conceptuales y técnicos encontrados en el estado de la técnica, la primera fase de este proyecto se ha dedicado al estudio y la comprensión del funcionamiento del Deep Learning, así como de la arquitectura de Redes Neuronales Artificiales. Todo ello queda recogido en este documento. Paralelamente a esta investigación viva –la cual no ha encontrado cota en sus aplicaciones prácticas ni tampoco cuenta a día de hoy con limitaciones teóricas– se ha llevado a cabo su aplicación directa en la detección precisa de manchas de piel en imágenes dermoscópicas, indicando la región rectangular de la imagen en la cual se localiza la lesión cutánea, con el fin de clasificarlas posteriormente en melanomas o lesiones benignas. Se determina que el Deep Learning tiene la característica comúnmente denominada como ‘caja negra’, ya que se trata de un sistema opaco para el propio programador. Existen diversas formas y gran cantidad de factores determinantes en su aplicación, lo cual dificulta en mayor medida su correcta programación. A esta circunstancia técnica, hemos de añadir la escasa información previa en tratamiento de imágenes con Deep Learning. No obstante, la capacidad de aprendizaje de esta herramienta nos permite conseguir tareas muy complejas con ejecuciones más o menos sencillas, una vez superadas las dificultades iniciales comentadas anteriormente. Finalmente, se concluye que su desarrollo es enormemente ventajoso cuando se dispone de gran cantidad de imágenes, si se compara con la programación clásica. Los resultados son muy prometedores y van a permitir mejorar el funcionamiento de otros algoritmos posteriores a este proyecto, que se podrían encargar de la delineación más exacta del borde de la lesión, así como de la detección de las características distintivas del melanoma frente a otros tipos de lesión, o en general de extraer información colateral de la mancha analizada. Se han definido las principales líneas de mejora a juicio del autor en las conclusiones de este documento a fin de indicar los caminos más prometedores para futuros proyectos. Abstract: Nowadays, Machine Learning technique is experiencing an increasing in both popularity and development. This increasing is due to the fact that currently it is available huge amounts of data –Big Data– and computational processing capability is in its higher level of history. Especially, Deep Learning is the most used technique within detection environments. However, it requires important amounts of images in order to get high accuracy results. Throughout this document it is exposed the development of an automatic system which is able to detect automatically skin spots with dermoscopic images. It is based in Deep Learning technique, which is part of Artificial Neural Networks’ sector. It is intended to establish the basis of future Deep Learning application within the digital detection, segmentation and classification’s research areas. Specifically, it is applied in skin spots, because of it is being researched the early detection of melanoma; which is a skin tumour with an increasingly incidence and mortality in last decades. Scientific community is investing effort in developing automatic auxiliary systems because early detection reduce metastasis possibility. The community expect this automatic system to detect melanoma on both dermoscopic and smartphone images, in order to allow both applications: specialist’s clinic and user’s hand. The first stage of the automatic corresponds with skin spot’s segmentation in order to indicate subsequent stages where is the lesion located. This project develops this fundamental and first stage of the automatic system. From the conceptual and technical knowledge basis found in technical state, the first part of this project has been dedicated to understanding of Deep Learning and Artificial Neural Network’s architecture types. This information is described within this document. Parallel to this alive research –which has not found limit neither in its technical applications nor in its theoretical capabilities– it has been directly applied to precise detection of skin spots on dermoscopic images, indicating the rectangular region in which it is located the skin lesion. It is expected to apply future algorithms, which may determine whether it is melanoma, or not. It has been established that Deep Learning has got the ‘black box’ characteristic, because its detailed workflow is opaque to the programmer itself. There are many ways and factors fundamental in its programming process that may change completely its behaviour, which difficult the programming process. However, the learning capability of this technique allow achieving complex tasks with simple executions, once the commented initial difficulties are passed. Finally, it has been concluded that the development of a detector using this technique is enormously helpful if important amount of data is available, in comparison with classic programming algorithms. The results are very promising and are going to improve subsequent algorithms, which may focus in other tasks such as: determining more precisely the exact border of the lesion, or detect melanoma’s principal characteristics, or extract general information of the lesion. It has been defined the most helpfully ways of improve the obtained results, from author’s perspective in order to indicate most promising programming details