HASCC: Algoritmo Híbrido para Clasificación de Cáncer de Piel
Resumen
El cáncer de piel es una enfermedad peligrosa y potencialmente letal que aumenta constantemente en los reportes de casos de cáncer a nivel mundial. Los signos de cáncer de piel pueden incluir cambios en la apariencia de los lunares o la aparición de nuevas manchas en la piel. La detección temprana es fundamental, ya que muchos tipos de cáncer de piel responden bien al tratamiento si se abordan en las etapas iniciales. Para el apoyo en el diagnóstico de esta enfermedad se emplean herramientas de diagnóstico asistido. Este artículo presenta HASCC, un algoritmo híbrido implementado mediante una interfaz gráfica de usuario para la clasificación del cáncer de piel. El algoritmo integra procesamiento de imágenes, extracción de características mediante el algoritmo VGG16 con reducción de componentes mediante PCA y clasificación mediante XGBoost entrenado con imágenes del Conjunto de Datos HAM10000. El algoritmo híbrido se ejecutó y se probó sobre un sistema embebido Raspberry Pi 4. HASCC se comparó a nivel hardware y a nivel software con otros métodos y arquitecturas de inteligencia computacional, y se obtuvo que el sistema propuesto mostró mejores notables en términos de precisión, que osciló entre el 88.2 % y 93.2 %, con un tiempo promedio de ejecución de 250 milisegundos a baja demanda de recursos de máquina durante el proceso de diagnóstico. Adicionalmente, el rendimiento de HASCC se comparó contra investigaciones previas enfocadas a la detección y clasificación de cáncer de piel. El rendimiento a nivel hardware demuestra que HASCC es viable para implementación en dispositivos microprocesadores de placa única, y con su desempeño a nivel de software se infiere que es viable para el apoyo en el diagnóstico y clasificación del cáncer de piel.
Palabras clave
algoritmo híbrido, cáncer de piel, código abierto, diagnóstico asistido por computador, interfaz gráfica de usuario, sistema embebido
Citas
- O. O. Abayomi-Alli, R. Damaševičius, S. Misra, R. Maskeliūnas, A. Abayomi-Alli, “Malignant skin melanoma detection using image augmentation by oversampling in nonlinear lower-dimensional embedding manifold,” Turkish Journal of Electrical Engineering and Computer Science, vol. 29, no. 8, pp. 2600-2614, 2021. https://doi.org/10.3906/elk-2101-133
- A. Demir, F. Yilmaz, O. Kose, “Early detection of skin cancer using deep learning architectures: Resnet-101 and inception-v3,” in Medical Technologies Congress, pp. 1-4, 2019. https://doi.org/10.1109/TIPTEKNO47231.2019.8972045
- J. Jaworek-Korjakowska, “Computer-aided diagnosis of micro-malignant melanoma lesions applying support vector machines,” BioMed Research International, vol. 2016, pp. 1-8, 2016. https://doi.org/10.1155/2016/4381972
- A. Esteva et al., “Dermatologist-level classification of skin cancer with deep neural networks,” Nature, vol. 542, no. 7639, pp. 115-118, 2017. https://doi.org/10.1038/nature21056
- P. Tschandl et al., “Expert-Level Diagnosis of Nonpigmented Skin Cancer by Combined Convolutional Neural Networks,” JAMA Dermatology, vol. 155, no. 1, pp. 58-65, 2019. https://doi.org/10.1001/JAMADERMATOL.2018.4378
- B. Harangi, “Skin lesion classification with ensembles of deep convolutional neural networks,” Journal of Biomedical Informatics, vol. 86, pp. 25-32, 2018. https://doi.org/10.1016/j.jbi.2018.08.006
- M. Chen, P. Zhou, D. Wu, L. Hu, M. M. Hassan, A. Alamri, “AI-Skin: Skin disease recognition based on self-learning and wide data collection through a closed-loop framework,” Information Fusion, vol. 54, pp. 1-9, 2020. https://doi.org/10.1016/j.inffus.2019.06.005
- H. N. Pham et al., “Lesion Segmentation and Automated Melanoma Detection using Deep Convolutional Neural Networks and XGBoost,” in Proceedings of 2019 International Conference on System Science and Engineering, 2019, pp. 142-147. https://doi.org/10.1109/ICSSE.2019.8823129
- A. Kumar, A. Vatsa, “Untangling Classification Methods for Melanoma Skin Cancer,” Frontiers in Big Data, vol. 5, pp. 1-11, 2022. https://doi.org/10.3389/fdata.2022.848614
- G. A. Kukharev, N. L. Shchegoleva, “Algorithms of Two-Dimensional Projection of Digital Images in Eigensubspace: History of Development, Implementation and Application,” Pattern Recognition and Image Analysis, vol. 28, no. 2, pp. 185-206, 2018. https://doi.org/10.1134/S1054661818020116
- Y. Batko, G. Melnyk, O. Pitsun, “Graphical interface of hybrid intelligent systems for biomedical imaging analysis,” in Proceedings of the 2016 IEEE 1st International Conference on Data Stream Mining and Processing, 2016, pp. 121-124. https://doi.org/10.1109/DSMP.2016.7583521
- A. A. Jordan, A. Pegatoquet, A. Castagnetti, J. Raybaut, P. Le Coz, “Deep Learning for Eye Blink Detection Implemented at the Edge,” IEEE Embedded Systems Letters, vol. 0663, pp. 57-60, 2020. https://doi.org/10.1109/LES.2020.3029313
- N. Tariq, R. A. Hamzah, T. F. Ng, S. L. Wang, H. Ibrahim, “Quality Assessment Methods to Evaluate the Performance of Edge Detection Algorithms for Digital Image: A Systematic Literature Review,” IEEE Access, vol. 9, pp. 87763-87776, 2021. https://doi.org/10.1109/ACCESS.2021.3089210
- S. A. A. Ahmed, B. Yanikoglu, O. Goksu, E. Aptoula, “Skin Lesion Classification with Deep CNN Ensembles,” in The 28th IEEE Conference on Signal Processing and Communications Applications, 2020. https://doi.org/10.1109/SIU49456.2020.9302125
- M. Arshad et al., “A Computer-Aided Diagnosis System Using Deep Learning for Multiclass Skin Lesion Classification,” Computational Intelligence and Neuroscience, vol. 2021, e9619079. https://doi.org/10.1155/2021/9619079
- W. Sae-Lim, W. Wettayaprasit, P. Aiyarak, “Convolutional Neural Networks Using MobileNet for Skin Lesion Classification,” in 16th International Joint Conference on Computer Science and Software Engineering, 2019, pp. 242-247. https://doi.org/10.1109/JCSSE.2019.8864155
- L. Wei, K. Ding, H. Hu, “Automatic Skin Cancer Detection in Dermoscopy Images Based on Ensemble Lightweight Deep Learning Network,” IEEE Access, vol. 8, pp. 99633-99647, 2020. https://doi.org/10.1109/ACCESS.2020.2997710