Skin lesions classification using convolutional neural networks in clinical images

Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, 2018.Lesões de pele são condições que aparecem em um paciente devido a várias razões. Uma delas pode ser por causa de um crescimento anormal no tecido da pele, definido como câncer. Essa doença aflige mais de 14,1 milhões de pacientes e tem sido a causa de mais de 8,2 milhões de mortes no mundo todo. Sendo assim, uma solução capaz de ajudar no diagnóstico precoce pode salvar vidas e diminuir custos de tratamento. Visto isso, é proposto a construção de um modelo de classificação para 12 lesões, sendo dessas 4 malignas, incluindo Melanoma Maligno e Carcinoma Basocelular. Além disso, neste trabalho é utilizado uma arquitetura ResNet-152 pré-treinada, que então foi aprimorada com 88,090 imagens aumentadas, utilizando diferentes transformações. As predições foram então analizadas com o método GradCAM para gerar explicações visuais, que foram condizentes com conhecimentos prévios e boas práticas para explicações. Finalmente, a rede foi testada com 956 imagens e alcançou a métrica de área abaixo da curva (AUC) de 0.96 para Melanoma e 0.91 para Carcinoma Basocelular, comparaveis aos resultados de estado da arte.Skin lesions are conditions that appear on a patient due to many different reasons. One of these can be because of an abnormal growth in skin tissue, defined as cancer. This disease plagues more than 14.1 million patients and had been the cause of more than 8.2 million deaths, worldwide. Furthermore, a solution capable of aiding early diagnosis may save lives and cut costs in treatment. Therefore, this work proposes the construction of a classification model for 12 lesions, being 4 of these malignant, including Malignant Melanoma and Basal Cell Carcinoma. Furthermore, we use a pre-trained ResNet-152 architecture, which then was trained over 88,090 augmented images, using different transformations. The predictions were then analyzed with GradCAM method, to generate visual explanations, which were consistent with a prior belief and general good practices for explanations. Finally, the network was tested with 956 original images and achieve an area under the curve (AUC) metric of 0.96 for Melanoma and 0.91 for Basal Cell Carcinoma, that is comparable to state-of-the-art results