Countless different imaging acquisition techniques are employed by medical practitioners as a tool to perform diagnosis, ranging from microscopy to Magnetic Resonance Imaging (MRI). This common practice produced a great opportunity for computer vision algorithms to find ways to perform automated analysis on medical images. In particular, after the groundbreaking success of AlexNet in 2012, deep learning has become a vital element in medical imaging research. Above all, Convolutional Neural Networks (CNNs) have been successfully adopted to perform a great variety of tasks such as image segmentation, classification, detection, and generation. This thesis is a collection of deep learning applications for dermoscopic images analysis. Dermoscopy is a form of in-vivo skin surface microscopy performed using high quality magnifying lenses and a powerful light source to mitigate the surface reflection of the skin, to enhance the visibility of the pigmentation of the lesion. However, to fully make use of this non-invasive imaging approach, a thorough image analysis must be performed by expert clinicians, and therefore many efforts have been given in recent years towards the creation of tools to assist physicians in the analysis of dermoscopic images. We start by approaching lesion segmentation, by means of a novel data augmentation technique and a diverse ensemble strategy. The final goal of dermoscopic images analysis is skin lesion classification, for which we develop an approach that achieved the third best result in the 2019 ISIC global challenge. Moreover, we address one of the main drawbacks of deep learning algorithms, their low interpretability, by using content-based image retrieval to assist the diagnosis process of both expert and novice practitioners and, finally, by trying to determine which characteristics are taken into account by autonomous classification algorithms.

In medicina, innumerevoli tecniche di acquisizione di immagini impiegate come strumento per eseguire diagnosi, dalla microscopia alla risonanza magnetica (MRI). Questa comune pratica ha prodotto una grande opportunità per gli algoritmi di visione artificiale di trovare modi per eseguire analisi automatizzate di immagini mediche. In particolar modo, dopo il rivoluzionario successo di AlexNet nel 2012, il deep learning è diventato un elemento vitale nella ricerca sulle immagini mediche. Più precisamente, le reti neurali convoluzionali (CNN) sono state adottate con successo per affrontare una grande varietà di problemi come la classificazione e la generazione di immagini, o l’identificazione e la segmentazione di oggetti all’interno di esse. Questa tesi è una raccolta di applicazioni di deep learning su immagini dermoscopiche. La dermoscopia è una forma di microscopia in vivo della superficie cutanea, eseguita utilizzando lenti di ingrandimento di alta qualità e una potente fonte di luce, che mitiga il riflesso superficiale della pelle con lo scopo di migliorare la visibilità della pigmentazione della lesione. Tuttavia, per utilizzare a pieno questo approccio di imaging non invasivo, è necessaria un'analisi approfondita dell'immagine da parte di dermatologi esperti, e la comunità scientifica ha quindi impiegato grandi risorse per la creazione di strumenti automatici che possano assistere l'analisi di immagini dermoscopiche. Affrontiamo per prima la segmentazione delle lesioni cutanee, mediante una nuova tecnica di data augmentation e una strategia di insieme diversificata. L'obiettivo finale dell'analisi delle immagini dermoscopiche è la classificazione delle lesioni, per la quale sviluppiamo un approccio che ha ottenuto il terzo miglior risultato nella sfida globale ISIC 2019. Inoltre, affrontiamo uno dei principali svantaggi degli algoritmi di deep learning, la loro bassa interpretabilità, utilizzando un recupero di immagini basato sul contenuto per assistere il processo di diagnosi sia di dermatologi esperti che di principianti. Infine, cerchiamo di determinare quali caratteristiche siano prese in considerazione dagli algoritmi di classificazione automatica.

Utilizzo del Deep Learning nella Analisi di Immagini Dermoscopiche / Federico Pollastri , 2022 Mar 25. 34. ciclo, Anno Accademico 2020/2021.

Utilizzo del Deep Learning nella Analisi di Immagini Dermoscopiche

POLLASTRI, FEDERICO
2022

Abstract

Countless different imaging acquisition techniques are employed by medical practitioners as a tool to perform diagnosis, ranging from microscopy to Magnetic Resonance Imaging (MRI). This common practice produced a great opportunity for computer vision algorithms to find ways to perform automated analysis on medical images. In particular, after the groundbreaking success of AlexNet in 2012, deep learning has become a vital element in medical imaging research. Above all, Convolutional Neural Networks (CNNs) have been successfully adopted to perform a great variety of tasks such as image segmentation, classification, detection, and generation. This thesis is a collection of deep learning applications for dermoscopic images analysis. Dermoscopy is a form of in-vivo skin surface microscopy performed using high quality magnifying lenses and a powerful light source to mitigate the surface reflection of the skin, to enhance the visibility of the pigmentation of the lesion. However, to fully make use of this non-invasive imaging approach, a thorough image analysis must be performed by expert clinicians, and therefore many efforts have been given in recent years towards the creation of tools to assist physicians in the analysis of dermoscopic images. We start by approaching lesion segmentation, by means of a novel data augmentation technique and a diverse ensemble strategy. The final goal of dermoscopic images analysis is skin lesion classification, for which we develop an approach that achieved the third best result in the 2019 ISIC global challenge. Moreover, we address one of the main drawbacks of deep learning algorithms, their low interpretability, by using content-based image retrieval to assist the diagnosis process of both expert and novice practitioners and, finally, by trying to determine which characteristics are taken into account by autonomous classification algorithms.
Deep Learning in Dermoscopic Image Analysis
25-mar-2022
GRANA, Costantino
File in questo prodotto:
File Dimensione Formato  
Final_Pollastri_PhD_Thesis.pdf

embargo fino al 24/03/2025

Descrizione: Tesi definitiva Pollastri Federico
Tipologia: Tesi di dottorato
Dimensione 77.78 MB
Formato Adobe PDF
77.78 MB Adobe PDF   Visualizza/Apri   Richiedi una copia
Pubblicazioni consigliate

Licenza Creative Commons
I metadati presenti in IRIS UNIMORE sono rilasciati con licenza Creative Commons CC0 1.0 Universal, mentre i file delle pubblicazioni sono rilasciati con licenza Attribuzione 4.0 Internazionale (CC BY 4.0), salvo diversa indicazione.
In caso di violazione di copyright, contattare Supporto Iris

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11380/1271182
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact