استفاده از مدلهای یادگیری عمیق مبتنی بر wgan: راهکاری به منظور بهبود تشخیص ملانوم در تصاویر درموسکوپی

ملانوم یکی از انواع ضایعات پوستی سرطانی است که عدم تشخیص زود هنگام آن سبب مرگ بیمار می شود. یکی از راههای تشخیص زودهنگام ملانوم، استفاده از تصاویر درموسکوپی ضایعات پوستی جهت آموزش مدل های یادگیری عمیق می باشد تا بتوان از این مدل ها جهت طبقه بندی ضایعات پوستی بیماران و از جمله تشخیص ملانوم استفاده کرد. محدودیت مدلهای یادگیری عمیق، نیاز به مقادیر قابل توجه از داده گان دارای برچسب است. در این مقاله داده افزایی با استفاده از شبکه wgan انجام شده و ضمن غلبه بر مشکل عدم تنوع در تصاویر تولیدی توسط شبکه gan(mode collapse)، با تولید 5000 داده جعلی با کیفیت از کلاس ملانوم و افزودن این تصاویر به تصاویر مجموعه داده نامتوازنham10000 ، دقت بالاتری در تشخیص این بیماری توسط مدل پیش آموزش دیده‌ عمیقresnet50 به دست آمده است. مدل پیشنهادی، طبقه بندی کلاس ملانوم را با 10% دقت بالاتر انجام داده و دقت کل مدل نیز دچار تغییر چندانی نشده است. این نتایج نشان می دهند که استفاده از شبکه wgan برای داده افزایی می تواند به بهبود دقت طبقه بندی ملانوم کمک کند.

using deep learning models based on wgan: a solution to improve melanoma diagnosis in dermoscopy images

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.