Improving Digital Image Quality for Convolution Neural Network Based Computer-Aided Diagnosis (CNN-CAD) of Skin Cancer

Abstract

The practice of detecting skin cancer is based primarily on a visual examination by a dermatologist, followed by a series of tests for a more accurate diagnosis. The concept “the earlier cancer is detected in its natural history, the more effective the treatment is likely to be" is also valid for skin cancer. Hence, any delayed or missed diagnosis can lead to a more severe clinical stage or, what's worse, death. On the other hand, the lack of biomarkers in clinical use brings about overdiagnosis and unnecessary biopsies. DL-CAD system seems to be an excellent candidate for improving diagnostic accuracy and reducing unnecessary treatments. However, the vast majority of conventional CADs manipulate dermoscopic images, which require not only costly equipment but also time-consuming processing. Despite the difficulties with precision, state-of-the-art DL-CAD systems provide an interpretation using digital images, requiring no expertise in cost-effective dermoscopic image capture and interpretation. Pre-processing methods play a crucial role in solving this problem. This study presents results with regard to pre-processing steps to improve the images to be used in the diagnosis of the 5 most common skin cancer types for the proposed CNN based ResNet50 deep learning model. To the best of our knowledge it is the first time that ResNet50 deep-learning model has been utilized in diagnosis of skin cancer.

Cilt kanserini tespit edilmesi öncelikle bir dermatolog tarafından yapılan görsel muayeneye ve ardından daha doğru bir tanı için bir dizi teste dayanmaktadır. "Kanser doğal geçmişinde ne kadar erken tespit edilirse, tedavinin o kadar etkili olması muhtemeldir" kavramı cilt kanseri için de geçerlidir. Bu nedenle, gecikmiş veya kaçırılmış herhangi bir tanı daha ağır bir klinik aşamaya veya daha da kötüsü ölüme yol açabilir. Öte yandan, klinik kullanımda biyomarker eksikliği aşırı tanı ve gereksiz biyopsileri beraberinde getirmektedir. DL-CAD sistemleri tanısal doğruluğu artırmak ve gereksiz tedavileri azaltmak için mükemmel bir aday gibi görünmektedir. Bununla birlikte, geleneksel CAD sistemlerin büyük çoğunluğu, yüksek maliyetli ekipmanın yansıra işlenmesi zaman alan dermoskopik görüntüleri kullanır. Hassasiyet hususundaki zorluklara rağmen, modern DL-CAD sistemleri, dijital görüntüleri kullanarak bir yorumlama sağlar ve uygun maliyetli dermoskopik görüntü yakalama ve yorumlamada uzmanlık gerektirmez. Ön işleme yöntemleri bu sorunun çözümünde çok önemli bir rol oynamaktadır. Bu çalışma, önerilen CNN tabanlı ResNet50 derin öğrenme modeli için en yaygın 5 cilt kanseri türünün teşhisinde kullanılacak görüntülerin iyileştirilmesine yönelik ön işleme adımlarına ilişkin sonuçları sunmaktadır. Bildiğimiz kadarıyla, cilt kanseri tanısında ResNet50 derin öğrenme modeli ilk kez kullanılmıştır.