Resumen de Binary Classification of Skin Cancer Images Using Pre-trained Networks with I-GWO

Hadeer Hussein, Ahmed Magdy, Rehab F. Abdel Kader, Khaled Abd El Salam

• español

  Una de las formas de cáncer más prevalentes en todo el mundo es el cáncer de piel. La determinación de las características de la enfermedad requiere una evaluación clínica de las lesiones cutáneas, pero este proceso está limitado por horizontes temporales prolongados y una multiplicidad de interpretaciones. Se han creado técnicas de aprendizaje profundo para ayudar a los dermatólogos con estos problemas, ya que una mayor tasa de supervivencia del paciente depende de la detección temprana y precisa del cáncer de piel. Esta investigación propuso un nuevo enfoque para la clasificación binaria de imágenes dermatoscópicas para el cáncer de piel. El Optimizador de lobo gris mejorado (I-GWO) se utiliza en esta técnica para ajustar los valores de algunos hiperparámetros de varias redes de aprendizaje profundo previamente entrenadas para maximizar los resultados. SqueezeNet, ShuffleNet, AlexNet, ResNet-18 y DarkNet-19 son las redes previamente entrenadas que se emplearon. Probamos las bases de datos MED-NODE y DermIS en nuestra investigación. Con respecto a los conjuntos de datos MED-NODE y DermIS, los resultados de mayor precisión del método propuesto son del 100% y el 97%, respectivamente.

• English

  One of the most prevalent forms of cancer worldwide is skin cancer. Determining disease characteristics necessitates a clinical evaluation of skin lesions, but this process is limited by long time horizons and a multiplicity of interpretations. Deep learning techniques have been created to help dermatologists with these issues as a higher patient survival rate depends on the early and precise detection of skin cancer. This research proposed a new approach for binary classification of dermoscopic images for skin cancer. The Improved Grey Wolf Optimizer (I-GWO) is used in this technique to fine-tune some hyperparameters’ values of various pre-trained deep learning networks to maximize results. SqueezeNet, ShuffleNet, AlexNet, ResNet-18, and DarkNet-19 are the pre-trained networks that were employed. We tested the MED-NODE and DermIS databases in our investigation. Concerning the MED-NODE and DermIS datasets, the proposed method's highest accuracy results are 100% and 97%, respectively.