การคัดกรองโรคมะเร็งผิวหนังจากภาพถ่ายบนอุปกรณ์สมาร์ทโฟน

Abstract

งานวิจัยนี้นำเสนอระบบรู้จำมะเร็งผิวหนังเมลาโนมาอย่างอัตโนมัติโดยใช้โครงข่ายประสาทสังวัตนาการเดนซ์เน็ต (Densely Connected Convolutional Network: DenseNet121) และโครงข่าย Wasserstein Generative Adversarial Network (WGAN-GP) ในการสร้างภาพรอยโรคผิวหนังเทียมเพื่อใช้เพิ่มประสิทธิภาพในการฝึกฝนโครงข่ายที่มีจำนวนข้อมูลในการฝึกฝนน้อย วัตถุประสงค์หลักของงานวิจัยนี้คือ การสนับสนุนการตรวจคัดกรองและวินิจฉัยมะเร็งผิวหนังโดยใช้ภาพถ่ายรอยโรคผิวหนัง โครงข่าย DenseNet121 ถูกนำมาใช้และประเมินผลเปรียบเทียบกับโครงข่ายเรสเน็ต (Deep Residual Neural Network: ResNet50) ในประสิทธิภาพการจำแนกเมลาโนมา (Melanoma: MM) เนวัส (Nevus: NV) และเซ็บเค (Seborrheic Keratosis: SebK) ในขณะที่ WGANGP ถูกนำมาใช้เพื่อเพิ่มประสิทธิภาพของการฝึกฝนโครงข่าย โดยภาพถ่ายรอยโรคผิวหนังทั้งหมดที่ใช้ในงานวิจัยนี้มาจาก ISIC-ISBI Challenge 2017 เมื่อไม่ใช้ WGANGP ในการสร้างภาพเทียม โครงข่าย DenseNet121 มีค่าเฉลี่ย AUC สูงที่สุดที่ 82.96% สำหรับการคัดกรอง MM ตามมาด้วย 3-Binary DenseNet121, ResNet50 และ 3-Binary ResNet ด้วยค่าเฉลี่ย AUC 82.82% 80.24% และ 80.07% ตามลำดับ เมื่อนำ WGANGP มาสร้างภาพรอยโรคผิวหนังเทียมชนิด MM และนำมาเพิ่มในข้อมูลฝึกฝนที่ 25% 50% และ 100% ของจำนวนข้อมูลฝึกฝนเดิมพบว่าสามารถเพิ่มประสิทธิภาพความถูกต้องในการจำแนกประเภท MM ของโครงข่าย DenseNet121 เป็น 83.24%, 83.39% และ 83.51% (ประสิทธิภาพสูงสุด) ตามลำดับ เป็นที่น่าสนใจว่า การเพิ่มขึ้นของค่าเฉลี่ย AUC จะลดลงเมื่อมีการเพิ่มจำนวนภาพรอยโรคผิวหนังเทียมชนิด MM เมื่อทำการเพิ่มจำนวนไปถึง 150% และ 200% ของจำนวน MM จริง โดยค่าเฉลี่ย AUC จะเพิ่มขึ้นเป็น 83.25% และ 83.09% ตามลำดับ โครงข่าย DenseNet มีศักยภาพในการสนับสนุนแพทย์ผู้เชี่ยวชาญและคนทั่วไปในการตรวจคัดกรองโรคมะเร็งผิวหนังด้วยภาพถ่ายรอยโรคผิวหนัง ยิ่งไปกว่านั้นขนาดของแบบจำลอง DenseNet ที่มีขนาดกะทัดรัดทำให้มีข้อดีในการพัฒนาแอปพลิเคชันบนสมาร์ตโฟนเพื่อเพิ่มการเข้าถึงการตรวจคัดกรองโรค This work proposes an automated Melanoma recognition system based on Densely Connected Convolutional Networks (DenseNet121s) and Wasserstein Generative Adversarial Networks with Gradient Penalty (WGAN-GPs). The main objective is to support Melanoma screening and diagnosis using dermoscopic images. DenseNet121s were explored and evaluated against Deep Residual Neural Networks (ResNet50s) on their performance in distinguishing Melanoma (MM), Nevocellular Nevus (NV), and Seborrheic Keratosis (SebK), while WGANGPs were investigated on the capability to increase efficient training samples. Dermoscopic images used to train and assess effectiveness of all classifiers in this work were based on the ISIC-ISBI Challenge 2017. Without WGAN-GP integration, the DenseNet121s have the highest mean AUC with 82.96% for MM classification followed by 3-Binary DenseNets (3BiDenseNet121s), ResNet50s, and 3-Binary ResNets (3BiResNet50s) with mean AUC of 82.82%, 80.24%, and 80.07%, respectively. With WGANGP integration, adding the generated MM images in the training process by 25%, 50%, and 100% the number of real MM images increased mean AUC for MM classification of DenseNet121s to 83.24%, 83.39%, and 83.51% (maximum gain), respectively. Interestingly, improvement of mean AUC decreased when increasing the generated MM images further to 150% and 200% the number of real MM images, i.e., mean AUC for MM classification of DenseNet121s increased to 83.25% and 83.09%. DenseNets have a potential in supporting both experienced dermatologists and non-experts in MM, NV, and SebK screening and diagnosis using dermoscopic images. Their compact file size will advantage the developing offline mobile application aimed to increase screening accessibility.