Analyse von Hautläsionsbildern mit Deep Learning

Melanom ist die tödlichste Form von Hautkrebs, während Hautkrebs insgesamt weltweit die häufigste Krebsart darstellt. Die Dermoskopie ist eine bildgebende Methode der Haut, die sich im Vergleich zur rein visuellen Untersuchung ohne Unterstützung bei der Diagnose von Hautkrebs als überlegen erwiesen hat. Wir bewerten den aktuellen Stand der Technik bei der Klassifizierung von Dermoskopiebildern anhand der ISIC-2019-Challenge zur Klassifizierung von Hautläsionen sowie der aktuellen Literatur. Verschiedene tiefe neuronale Netzarchitekturen, die auf dem ImageNet-Datensatz vortrainiert wurden, werden mittels Transferlernen und Modellfeinabstimmung an einen kombinierten Trainingsdatensatz angepasst, der aus öffentlich verfügbaren dermatoskopischen und klinischen Bildern von Hautläsionen besteht. Die Leistungsfähigkeit und Anwendbarkeit dieser Modelle für die Erkennung acht verschiedener Läsionenklassen wird untersucht. Zur Erhöhung der Anzahl verfügbare Trainingsbeispiele wird Echtzeit-Datenverstärkung eingesetzt, die zufällige Drehungen, Verschiebungen, Scherungen und Zoom-Vorgänge innerhalb vorgegebener Grenzen nutzt. Die Modellvorhersagen werden mit den inversen Klassenfrequenzen multipliziert und anschließend normalisiert, um tatsächliche Wahrscheinlichkeitsverteilungen besser abzubilden. Die Gesamtgenauigkeit der Vorhersagen wird weiter verbessert, indem das arithmetische Mittel der Vorhersagen mehrerer unabhängig trainierter Modelle verwendet wird. Das beste Einzelmodell wurde als Webdienst veröffentlicht.