استفاده از مدلهاي يادگيري عميق مبتني بر WGAN: راهكاري به منظور بهبود تشخيص ملانوم در تصاوير درموسكوپي

Using Deep Learning Models Based on WGAN: A Solution to Improve Melanoma Diagnosis in Dermoscopy Images

ملانوم يكي از انواع ضايعات پوستي سرطاني است كه عدم تشخيص زود هنگام آن سبب مرگ بيمار مي شود. يكي از راههاي تشخيص زودهنگام ملانوم، استفاده از تصاوير درموسكوپي ضايعات پوستي جهت آموزش مدل هاي يادگيري عميق مي باشد تا بتوان از اين مدل ها جهت طبقه بندي ضايعات پوستي بيماران و از جمله تشخيص ملانوم استفاده كرد. محدوديت مدلهاي يادگيري عميق، نياز به مقادير قابل توجه از داده گان داراي برچسب است. در اين مقاله داده افزايي با استفاده از شبكه WGAN انجام شده و ضمن غلبه بر مشكل عدم تنوع در تصاوير توليدي توسط شبكه GAN(Mode Collapse)، با توليد 5000 داده جعلي با كيفيت از كلاس ملانوم و افزودن اين تصاوير به تصاوير مجموعه داده نامتوازنHAM10000 ، دقت بالاتري در تشخيص اين بيماري توسط مدل پيش آموزش ديده‌ عميقResNet50 به دست آمده است. مدل پيشنهادي، طبقه بندي كلاس ملانوم را با 10% دقت بالاتر انجام داده و دقت كل مدل نيز دچار تغيير چنداني نشده است. اين نتايج نشان مي دهند كه استفاده از شبكه WGAN براي داده افزايي مي تواند به بهبود دقت طبقه بندي ملانوم كمك كند.

Melanoma is one of the types of cancerous skin lesions, where early detection is crucial to prevent patient mortality. One method for early detection of melanoma involves using dermoscopic images of skin lesions to train deep learning models, which can then be used to classify skin lesions in patients, including the diagnosis of melanoma. A significant limitation of deep learning models is their need for substantial amounts of labeled data. This article discusses data augmentation using the Wasserstein GAN (WGAN) network to overcome the issue of limited diversity in images generated by GAN networks (a problem known as Mode Collapse). By generating 5,000 high-quality synthetic images of the melanoma class and adding these images to the unbalanced HAM10000 dataset, an improved accuracy in diagnosing this disease was achieved using the pre-trained deep ResNet50 model. The proposed model improved melanoma classification accuracy by 10% without significantly altering the overall model accuracy. These results suggest that using the WGAN network for data augmentation can enhance the classification accuracy of melanoma.