DUGi

Development of intelligent systems for skin cancer diagnosis

http://dugi.udg.edu/item/http:@@@@hdl.handle.net@@10256@@28282

ENG- Skin cancer remains one of the most prevalent and deadly forms of cancer world-wide, with melanoma alone accounting for over 330,000 new cases and nearly 60,000 deaths in 2022. Early detection is critical, as survival rates drop dramatically from 99% to just 30% once the cancer has metastasized. This thesis was conducted within the Computer Vision and Robotics (VI-COROB) group and the European Union iToBoS project. It advances AI-driven tools for skin cancer diagnosis with a focus on clinical and dermoscopic image analysis to support a two-tiered screening workflow. In the iToBoS diagnostic pipeline, first a full-body scan is performed to capture clinical images of all visible skin lesions. Then, dermoscopic images are acquired for lesions identified as suspicious during the initial clinical assessment, allowing a more detailed examination. The presented research contributes to the workflow and advances the field through four key contributions. First, we review clinical image-based diagnosis, identifying successful methods and unresolved challenges, then deploy a pre-trained model for clinical image classification. Second, we design compact deep learning models for real-time dermoscopic melanoma detection by integrating attention mechanisms to improve accuracy while reducing computational costs. Third, we expand the dermoscopic diagnosis to include other types of skin cancer and enhance performance through clinically structured labeling. The resulting ensemble model outperforms existing approaches while balancing sensitivity and specificity for real-world use. Finally, we integrate vision-language models to provide dermoscopic-level explainability, ensuring transparent and interpretable diagnoses. Together, these contributions enable accurate, scalable, and clinically viable skin cancer detection systems across two imaging modalities with the final objective of improving patient outcomes and reducing mortality rate

CAT- El càncer de pell continua sent una de les formes més prevalents i mortals de càncer a nivell mundial, amb només el melanoma representant més de 330.000 nous casos i gairebé 60.000 morts l’any 2022. La detecció precoç és fonamental, ja que les taxes de supervivència cauen dràsticament del 99% al 30% un cop el càncer ha fet metàstasi. Aquesta tesi s’ha desenvolupat dins del grup de visió per computador i robòtica (VICOROB) i del projecte europeu iToBoS. Avança les eines impulsades per la intel·ligència artificial per al diagnòstic del càncer de pell, amb un enfocament en l’anàlisi d’imatges clíniques i dermoscòpiques per donar suport a un flux de treball de cribratge en dues etapes. En el flux de diagnòstic de l’iToBoS, primer es realitza un escaneig de cos sencer per capturar imatges clíniques de totes les lesions cutànies visibles. A continuació, s’adquireixen imatges dermoscòpiques de les lesions considerades sospitoses durant l’avaluació clínica inicial, permetent-ne un examen més detallat. La recerca presentada contribueix a aquest flux de treball i fa avançar el camp mitjançant quatre aportacions clau. Primer, revisem el diagnòstic basat en imatges clíniques, identificant mètodes exitosos i reptes no resolts, i despleguem un model preentrenat per a la classificació d’imatges clíniques. Segon, dissenyem models de deep learning compactes per a la detecció de melanoma en temps real mitjançant dermoscòpia, integrant mecanismes d’atenció per millorar la precisió tot reduint els costos computacionals. Tercer, ampliem el diagnòstic dermoscòpic per incloure altres tipus de càncer de pell i millorem el rendiment mitjançant un etiquetatge estructurat clínicament. El model ensemblat resultant supera els enfocaments existents tot equilibrant sensibilitat i especificitat per a un ús en entorns reals. Finalment, integrem models de visió i llenguatge per oferir explicacions a nivell dermoscòpic, garantint diagnòstics transparents i interpretables. En conjunt, aquestes aportacions permeten sistemes de detecció del càncer de pell precisos, escalables i clínicament viables a través de dues modalitats d’imatge, amb l’objectiu final de millorar els resultats dels pacients i reduir la taxa de mortalitat

Programa de Doctorat en Tecnologia

Universitat de Girona