Transformaciones geométricas vs Inducción de ruido: Comparación de técnicas de aumentado de datos para análisis de imágenes dermoscópicas
Geometric Transformations vs Noise Induction: Comparison of data augmentation techniques for dermoscopic image analysis
Barra lateral del artículo
PDF
FLIP
Contenido principal del artículo
El conjunto de datos HAM10000, una colección de imágenes dermatoscópicas de lesiones cutáneas, se ha convertido en un recurso valioso para la investigación en dermatología y aprendizaje automático. Este estudio se enfoca en evaluar la eficiencia de dos técnicas de aumento de datos aplicadas a imágenes del conjunto HAM10000 de cáncer de piel. Las técnicas evaluadas en este contexto fueron las transformaciones geométricas e inducción de ruido gaussiano. En la fase metodológica, se implementó la técnica de Análisis de Componentes Principales (PCA) para comparar las imágenes originales con aquellas aumentadas por cada enfoque. Este análisis permitió una comprensión más profunda de las modificaciones introducidas por cada técnica, ofreciendo percepciones sobre la preservación de características relevantes para la clasificación de lesiones cutáneas. Los resultados obtenidos revelaron un rendimiento superior al emplear la técnica de inducción de ruido gaussiano. Esta técnica demostró ser especialmente eficaz en mejorar la calidad del conjunto de datos, contribuyendo positivamente a las tareas de diagnóstico de cáncer de piel. El análisis a través de PCA no solo respaldó la eficacia de la técnica de inducción de ruido gaussiano, sino que también proporcionó una visión detallada de cómo esta técnica conserva información crucial durante el proceso de aumento de datos. este estudio no solo destaca la relevancia del conjunto de datos HAM10000 en la investigación dermatológica, sino que también enfatiza la importancia de seleccionar técnicas de aumento de datos adecuadas, con la inducción de ruido gaussiano emergiendo como una opción altamente eficiente para mejorar la precisión de modelos de aprendizaje automático aplicados a imágenes médicas en el contexto del cáncer de piel.
Descargas
Detalles del artículo
N. Razmjooy et al., “Computer-aided Diagnosis of Skin Cancer: A Review,” Current Medical Imaging Formerly Current Medical Imaging Reviews, vol. 16, no. 7, pp. 781–793, Jan. 2020, doi: 10.2174/1573405616666200129095242.
D. N. Dorrell and L. C. Strowd, “Skin Cancer Detection Technology,” Dermatol Clin, vol. 37, no. 4, pp. 527–536, 2019, doi: 10.1016/j.det.2019.05.010.
P. Tschandl, C. Rosendahl, and H. Kittler, “Data descriptor: The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions,” Sci Data, vol. 5, pp. 1–9, 2018, doi: 10.1038/sdata.2018.161.
A. S. Jahn et al., “Over-Detection of Melanoma-Suspect Lesions by a CE-Certified Smartphone App: Performance in Comparison to Dermatologists, 2D and 3D Convolutional Neural Networks in a Prospective Data Set of 1204 Pigmented Skin Lesions Involving Patients’ Perception,” Cancers (Basel), vol. 14, no. 15, Aug. 2022, doi: 10.3390/cancers14153829.
T. Saba, M. A. Khan, A. Rehman, and S. L. Marie-Sainte, “Region Extraction and Classification of Skin Cancer: A Heterogeneous framework of Deep CNN Features Fusion and Reduction,” Journal of Medical Systems 2019 43:9, vol. 43, no. 9, pp. 1–19, Jul. 2019, doi: 10.1007/S10916-019-1413-3.
H.-W. Huang, B. W.-Y. Hsu, C.-H. Lee, and V. S. Tseng, “Development of a light-weight deep learning model for cloud applications and remote diagnosis of skin cancers,” J Dermatol, vol. 48, no. 3, pp. 310–316, Mar. 2021, doi: 10.1111/1346-8138.15683.
A. Kumar and A. Vatsa, “Untangling Classification Methods for Melanoma Skin Cancer,” Front Big Data, vol. 5, no. March, pp. 1–11, 2022, doi: 10.3389/fdata.2022.848614.
N. Hameed, A. Shabut, and M. A. Hossain, “A Computer-Aided diagnosis system for classifying prominent skin lesions using machine learning,” in 2018 10th Computer Science and Electronic Engineering Conference, CEEC 2018 - Proceedings, IEEE, 2019, pp. 186–191. doi: 10.1109/CEEC.2018.8674183.
R. Baig, M. Bibi, A. Hamid, S. Kausar, and S. Khalid, “Deep Learning Approaches Towards Skin Lesion Segmentation and Classification from Dermoscopic Images - A Review,” Current Medical Imaging Formerly Current Medical Imaging Reviews, vol. 16, no. 5, pp. 513–533, Jan. 2019, doi: 10.2174/1573405615666190129120449.
A. Gupta and A. Barbu, “Parameterized principal component analysis,” Pattern Recognit, vol. 78, pp. 215–227, 2018, doi: 10.1016/j.patcog.2018.01.018.
A. K. Seghouane, N. Shokouhi, and I. Koch, “Sparse Principal Component Analysis with Preserved Sparsity Pattern,” IEEE Transactions on Image Processing, vol. 28, no. 7, pp. 3274–3285, Jul. 2019, doi: 10.1109/TIP.2019.2895464.
S. Wang and M. Hamian, “Skin Cancer Detection Based on Extreme Learning Machine and a Developed Version of Thermal Exchange Optimization,” Comput Intell Neurosci, vol. 2021, 2021, doi: 10.1155/2021/9528664.
W. Gouda, N. U. Sama, G. Al-Waakid, M. Humayun, and N. Z. Jhanjhi, “Detection of Skin Cancer Based on Skin Lesion Images Using Deep Learning,” Healthcare (Switzerland), vol. 10, no. 7, Jul. 2022, doi: 10.3390/healthcare10071183.
G. Campanella et al., “Deep Learning for Basal Cell Carcinoma Detection for Reflectance Confocal Microscopy,” Journal of Investigative Dermatology, vol. 142, no. 1, pp. 97–103, Jan. 2022, doi: 10.1016/J.JID.2021.06.015.
V. Nyemeesha and B. M. Ismail, “Implementation of noise and hair removals from dermoscopy images using hybrid Gaussian filter,” Network Modeling Analysis in Health Informatics and Bioinformatics, vol. 10, no. 1, Dec. 2021, doi: 10.1007/s13721-021-00318-2.
O. O. Abayomi-Alli, R. Damaševičius, S. Misra, R. Maskeliūnas, and 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 Sciences, vol. 29, no. 8, pp. 2600–2614, 2021, doi: 10.3906/elk-2101-133.
J. B. Li and H. Gao, “Sparse data-dependent kernel principal component analysis based on least squares support vector machine for feature extraction and recognition,” Neural Comput Appl, vol. 21, no. 8, pp. 1971–1980, 2012, doi: 10.1007/s00521-011-0600-z.
A. Lasisi and N. Attoh-Okine, “Principal components analysis and track quality index: A machine learning approach,” Transp Res Part C Emerg Technol, vol. 91, no. April 2018, pp. 230–248, 2018, doi: 10.1016/j.trc.2018.04.001.
Y. Zhu, C. Zhu, and X. Li, “Improved principal component analysis and linear regression classification for face recognition,” Signal Processing, vol. 145, pp. 175–182, 2018, doi: 10.1016/j.sigpro.2017.11.018.
N. Bakshi and V. Prabhu, “Face recognition system for access control using principal component analysis,” in ICCT 2017 - International Conference on Intelligent Communication and Computational Techniques, 2018, pp. 145–150. doi: 10.1109/INTELCCT.2017.8324035.
R. Cheripelli and K. R. Sri, “Evaluation of machine Learning Models for Credit Scoring,” Ingeniería Solidaria, vol. 16, no. 2798, pp. 2798–2805, 2020.
