Medizinische Universität Graz Austria/Österreich - Forschungsportal - Medical University of Graz
Gewählte Publikation:
Siemmeister, M.
Melanom-Naevus Klassifizierung mit neuronalen Netzwerken und digitalen Bildern.
Humanmedizin; [ Diplomarbeit ] Medizinische Universitaet Graz; 2020. pp. 89
[OPEN ACCESS]
FullText
- Autor*innen der Med Uni Graz:
- Betreuer*innen:
- Ahammer Helmut
- Altmetrics:
- Abstract:
- Melanome zählen zu den aggressivsten, malignen Hauttumoren. Allein in den USA sterben jedes Jahr cirka 10.000 Menschen an Melanomen, daher ist Früherkennung durch Dermatologen und Dermatologinnen von zentraler Bedeutung. Doch selbst Experten und Expertinnen können sich irren, weshalb Bedarf an automatisierter Bilderkennung besteht. Künstliche neuronale Netzwerke können in Kombination mit leistungsstarker Hardware digitale Bilder in einigen Spezialgebieten besser klassifizieren als Menschen. Das Klassifizieren von dermatologischen Läsionen ist ein Gebiet aktiver Forschung. Es gibt bereits neuronale Netzwerke, die Melanome an bestimmten Datensätzen besser klassifizieren können als Dermatologen und Dermatologinnen. Bislang gibt es jedoch kein einheitliches Verfahren, verschiedene Modelle miteinander und mit Dermatologen und Dermatologinnen zu vergleichen, auch ist die Reproduzierbarkeit der Modelle gering. In dieser Arbeit werden zwei Convolutional-neural-network-Modelle basierend auf ResNet50 zur Melanom-Naevus-Klassifizierung mit open-source Software implementiert. Speziell wird die Bibliothek TensorFlow verwendet. Die Modelle werden mit öffentlich zugänglichen Melanom- und Naevus-Bildern trainiert und mit zwei öffentlich zugänglichen Datensätzen ausgewertet. Bei diesen Datensätzen handelt es sich um MClass sowie den Test-Datensatz der ISIC Challenge 2016. Das bessere der beiden Modelle erreicht am MClass-Datensatz eine AUC von 83,8%, eine average precision von 64,2% und wird mit den öffentlich zugänglichen Ergebnissen von 157 Dermatologinnen und Dermatologen am selben Datensatz verglichen. Die Modelle werden mitsamt dem Quellcode zum Trainieren und Auswerten auf GitHub veröffentlicht und stellen eine Grundlage für weitere Arbeiten dar.