MELANOMA DETECTION ON DERMOSCOPIC IMAGES USING DEEP LEARNING

Abstract

Melanoma, the most widespread form of skin cancer, poses a diagnostic challenge requiring considerable expertise in visual assessment. This study aims to address this challenge by investigating a deep learning technique for the early detection of cancerous lesions to mitigate their potential spread. Gathering four public skin lesion datasets, totaling 13,986 images, we divided them into 80% training, 10% validation, and 10% testing sets. This study used VGG16, DenseNet201, ResNet152V2, EfficientNetB5, InceptionResNetV2, and Xception to find the best model and then hyperparameter tuning to find the best parameter. 384 Models were implemented and tested with the test set in this study. The best model is EfficientNetB5 with Adam, batch size 64, and a learning Rate of 0.01 that gives Accuracy, Recall, and F1-Score equally at 0.94. Additionally, our study incorporates Grad-Cam visualization to pinpoint skin cancer areas, offering a nuanced understanding of the model's outcomes. This proposed model holds promise for healthcare professionals in diagnosing and focusing on skin cancers.

มะเร็งผิวหนังชนิดเมลาโนมาเป็นมะเร็งผิวหนังชนิดที่มีความรุนแรงมากที่สุดในจำนวนมะเร็งผิวหนังทั้งหมด การวินิจฉัยมะเร็งผิวหนังชนิดนี้ถือเป็นความท้าทายอย่างมากต่อบุคคลากรทางการแพทย์เนื่องจากต้องอาศัยความรู้ ความชำนาญในการดูรอยโรคที่ผิวหนังด้วยตาเปล่า จุดประสงค์ของการศึกษาครั้งนี้ต้องการจัดการความท้าทายในการวินิจฉัยมะเร็งผิวหนังชนิดเมลาโนมา โดยการใช้เทคนิคการเรียนรู้เชิงลึกสำหรับการตรวจหารอยโรคมะเร็งที่ผิวหนังตั้งแต่ในระยะที่มะเร็งยังไม่แพร่กระจายไปยังส่วนอื่นของร่างกาย โดยในการศึกษาครั้งนี้ได้ทำการรวบรวมข้อมูลจาก 4 ชุดข้อมูลสาธารณะ ทำให้ได้จำนวนภาพเดอร์โมสโคปิกทั้งสิ้น 13,986 ภาพ หลังจากนั้นทำการแบ่งชุดข้อมูลออกเป็น Trainning Set, Validation Set และ Testing Set ตามอัตราส่วน 80,10,10 ตามลำดับ ในการศึกษาครั้งนี้ใช้ตัวแบบที่มีสถาปัตยกรรมต่างกันได้แก่ VGG16, DenseNet201, ResNet152V2, EfficientNetB5, InceptionResNetV2, และ Xception เพื่อค้นหาตัวแบบที่มีประสิทธิภาพสูงที่สุด หลังจากนั้นทำการปรับไฮเปอร์พารามิเตอร์ ที่ปรับหาพารามิเตอร์ที่ให้ประสิทธิภาพสูงที่สุด ทำให้ในการศึกษาครั้งนี้มีการสร้างตัวแบบทั้งหมด 384 แบบและทำการทดสอบกับ Testing Set พบว่าตัวแบบที่ให้ประสิทธิภาพสูงที่สุดคือ สถาปัตยกรรม EfficeientNetB5 ร่วมกับ Adam Optimizer และใช้ Batch Size 64 ร่วมกับ Learning Rate 0.01 ทำให้ได้ค่า Accuracy, Recall และ F1-Score เท่ากันที่ 0.94 มากไปกว่านั้นในการศึกษาครั้งนี้ใช้ Grad-Cam ในการชี้ว่าจุดใดในภาพรอยโรคที่ตัวแบบให้ความสนใจ และใช้ในการทำนายบริเวณรอยโรค ดังนั้นแบบจำลองที่ได้จากการศึกษาในครั้งนี้น่าจะสามารถช่วยบุคคลากรทางการแพทย์ในการวินิจฉัยโรคมะเร็งผิวหนังชนิดเมลาโนมาได้อย่างมีประสิทธิภาพ