Analyse d'images de lésions cutanées par apprentissage profond

Le cancer de la peau est le type de cancer le plus fréquent dans le monde, le mélanome représentant la forme la plus mortelle. La dermatoscopie est une modalité d'imagerie cutanée qui a démontré une amélioration du diagnostic du cancer de la peau par rapport à l'examen visuel sans soutien. Nous évaluons l'état de l'art actuel en classification d'images dermatoscopiques, fondée sur le défi ISIC-2019 pour la classification des lésions cutanées ainsi que sur la littérature scientifique récente. Diverses architectures de réseaux neuronaux profonds pré-entraînées sur le jeu de données ImageNet sont adaptées à un ensemble de données d'entraînement combiné, composé d'images dermatoscopiques et cliniques de lésions cutanées disponibles publiquement, grâce à l'apprentissage par transfert et au finetuning des modèles. La performance et la faisabilité de ces modèles pour la détection de huit catégories de lésions cutanées sont examinées. Une augmentation de données en temps réel, basée sur des rotations, translations, cisaillements et zooms aléatoires dans des limites prédéfinies, est utilisée pour augmenter le nombre d'échantillons d'entraînement disponibles. Les prédictions des modèles sont pondérées par les fréquences inverses des classes et normalisées afin de mieux approcher les distributions de probabilité réelles. L'exactitude globale des prédictions est encore améliorée en utilisant la moyenne arithmétique des prédictions de plusieurs modèles entraînés indépendamment. Le meilleur modèle unique a été publié sous forme de service web.