Dei tre tipi di tumore cutaneo esistenti, ovvero squamocellulare, basocellulare e melanoma, l’ultimo è il più mortale, ma una diagnosi precoce può aumentare notevolmente le possibilità di guarigione.
Diversi metodi basati sul machine learning consentono di riconoscere il melanoma dalle immagini dermoscopiche. Aumentare l’accuratezza di tali sistemi è, tuttavia, ancora una sfida.
Rilevamento a quattro fasi: lo studio
Il presente lavoro, pubblicato su Applied Computational Intelligence and Soft Computing, propone un nuovo metodo per il rilevamento del melanoma che considera la combinazione di deep e time-frequency local features.
I passaggi principali della procedura proposta sono quattro: pre-elaborazione, estrazione e riduzione delle caratteristiche, classificazione.
Dopo una breve pre-elaborazione, le reti neurali convoluzionali estraggono le deep features dalle immagini. La 2D DWT (two-dimensional discrete wavelet transform) è utilizzata nell’analisi multirisoluzione, specialmente nell’elaborazione delle immagini.
La trasformata wavelet raggiunge una buona risoluzione di frequenza per componenti a bassa frequenza e un’elevata risoluzione temporale per componenti ad alta frequenza.
L’algoritmo SIFT (Scale-Invariant Feature Transform) mira a identificare le local features dell’immagine (o punti chiave).
In seguito alla fusione delle caratteristiche menzionate, l’analisi discriminante semi-supervisionata (SDA) riduce le caratteristiche altamente correlate e ridondanti.
Accuratezza: le conclusioni
Il metodo proposto raggiunge un’accuratezza e una sensibilità del 94,19% e del 96,22%, rispettivamente. Le parti più impegnative sono l’estrazione di deep features e la messa a punto dei parametri dell’analisi discriminante semi-supervisionata (SDA) e del Gaussian-SVM (Support Vector Machine).
Le reti neurali convoluzionali (CNNs) devono essere opportunamente convergenti durante il processo di addestramento per estrarre high-level features efficienti.
L’ottimizzatore utilizzato per l’individuazione dei parametri dell’analisi discriminante semi-supervisionata (SDA) e del Gaussian-SVM (Support Vector Machine) deve riconoscere gli estremi globali.
In futuro, potrebbe essere utile considerare strutture basate sull’attenzione per estrarre le high-level features. Queste consentirebbero ai modelli di concentrarsi su parti specifiche dei dati di input che sono più rilevanti per un determinato compito, migliorando prestazioni ed efficienza. Il tutto potrebbe perfezionare la diagnosi del melanoma, garantendo la priorità per le informazioni importanti.
Da ultimo, potrebbe essere interessante impiegare trasformazioni direzionali come la contourlet transform che scompone l’immagine in più sottobande ed estrarre un numero più ingente di time-frequency local features per una maggior accuratezza.
Eghtesaddoust, Hamidreza, Valizadeh, Morteza, Amirani, Mehdi Chehel, Fusion of Deep and Time–Frequency Local Features for Melanoma Skin Cancer Detection, Applied Computational Intelligence and Soft Computing, 2025, 4767052, 13 pages, 2025. https://doi.org/10.1155/acis/4767052
