Napomena
Projekat se radi u kombinaciji sa predmetom Sistemi za istraživanje i analizu podataka (SIAP).
Tim
- R2 12/2025 Jelena Adamović
- R2 23/2025 Miloš Bojanić
Definicija problema
Melanom je najopasniji oblik raka kože, gde rana dijagnoza direktno utiče na stopu preživljavanja. Ručna analiza dermoskopskih snimaka je subjektivna i zahteva visoku ekspertizu. Cilj ovog projekta je razvoj sistema za automatsku binarnu klasifikaciju lezija (maligni vs benigni) koji bi služio kao podrška lekarima, smanjio broj nepotrebnih biopsija i ubrzao proces trijaže pacijenata.
Skup podataka
Koristiće se ISIC 2020 (SIIM-ISIC Melanoma Classification) skup podataka. Skup sadrži preko 33.000 dermoskopskih snimaka. Podaci su izrazito nebalansirani (manje od 2% slika su maligni melanomi), što predstavlja glavni izazov. Slike će biti skalirane na uniformnu dimenziju, a pored vizuelnih podataka, skup sadrži i metapodatke o pacijentima.
Metodologija
Prvi korak obuhvata pretprocesiranje slika: skaliranje, normalizaciju vrednosti, uklanjanje artefakata (poput dlaka) korišćenjem Black-Hat transformacije i inpainting algoritama.
Zbog ekstremnog disbalansa klasa, primeniće se:
- Augmentacija: rotacije, flipovanje.
- Balansiranje: upotreba težinske funkcije gubitka (Weighted Cross-Entropy) ili Focal Loss-a kako bi se modelu dala veća važnost pri pogrešnoj klasifikaciji manjinske (maligne) klase.
Planirana implementacija modela:
-
Baseline CNN model:
Jednostavna arhitektura projektovana i trenirana od nule, koja će služiti kao referentna tačka za evaluaciju složenijih modela.
-
EfficientNet-B0:
Model pretreniran na ImageNet skupu podataka, gde će se vršiti fine-tuning poslednjih slojeva.
-
ResNet50 / MobileNetV2 (HAM10000 pretrained):
Model koji je već fine-tune-ovan na dermatološkom skupu HAM10000. Ovaj model će se dodatno fine-tune-ovati na ISIC 2020 dataset.
-
DenseNet121:
Model pretreniran na ImageNet skupu koji koristi guste veze za bolju ekstrakciju karakteristika, uz fine-tuning na ISIC 2020 podacima.
Metod evaluacije
Koristiće se sledeće metrike:
-
Recall (Odziv):
Primarna metrika, jer je u medicini ključno ne propustiti maligne slučajeve (lažno negativni).
-
Precision (Preciznost):
Kako bi se kontrolisao broj lažno pozitivnih rezultata.
-
Macro F1-score:
Koji daje jednaku važnost obema klasama bez obzira na njihovu učestalost.
-
AUC-ROC kriva:
Za procenu performansi klasifikatora pri različitim pragovima odlučivanja.
Rezultati će biti prikazani kroz konfuzione matrice, a biće sprovedena i analiza grešaka na primerima gde modeli daju različite predikcije.
Link do github repozitorijuma : https://github.com/milosbojanic/siap
Napomena
Projekat se radi u kombinaciji sa predmetom Sistemi za istraživanje i analizu podataka (SIAP).
Tim
Definicija problema
Melanom je najopasniji oblik raka kože, gde rana dijagnoza direktno utiče na stopu preživljavanja. Ručna analiza dermoskopskih snimaka je subjektivna i zahteva visoku ekspertizu. Cilj ovog projekta je razvoj sistema za automatsku binarnu klasifikaciju lezija (maligni vs benigni) koji bi služio kao podrška lekarima, smanjio broj nepotrebnih biopsija i ubrzao proces trijaže pacijenata.
Skup podataka
Koristiće se ISIC 2020 (SIIM-ISIC Melanoma Classification) skup podataka. Skup sadrži preko 33.000 dermoskopskih snimaka. Podaci su izrazito nebalansirani (manje od 2% slika su maligni melanomi), što predstavlja glavni izazov. Slike će biti skalirane na uniformnu dimenziju, a pored vizuelnih podataka, skup sadrži i metapodatke o pacijentima.
Metodologija
Prvi korak obuhvata pretprocesiranje slika: skaliranje, normalizaciju vrednosti, uklanjanje artefakata (poput dlaka) korišćenjem Black-Hat transformacije i inpainting algoritama.
Zbog ekstremnog disbalansa klasa, primeniće se:
Planirana implementacija modela:
Baseline CNN model:
Jednostavna arhitektura projektovana i trenirana od nule, koja će služiti kao referentna tačka za evaluaciju složenijih modela.
EfficientNet-B0:
Model pretreniran na ImageNet skupu podataka, gde će se vršiti fine-tuning poslednjih slojeva.
ResNet50 / MobileNetV2 (HAM10000 pretrained):
Model koji je već fine-tune-ovan na dermatološkom skupu HAM10000. Ovaj model će se dodatno fine-tune-ovati na ISIC 2020 dataset.
DenseNet121:
Model pretreniran na ImageNet skupu koji koristi guste veze za bolju ekstrakciju karakteristika, uz fine-tuning na ISIC 2020 podacima.
Metod evaluacije
Koristiće se sledeće metrike:
Recall (Odziv):
Primarna metrika, jer je u medicini ključno ne propustiti maligne slučajeve (lažno negativni).
Precision (Preciznost):
Kako bi se kontrolisao broj lažno pozitivnih rezultata.
Macro F1-score:
Koji daje jednaku važnost obema klasama bez obzira na njihovu učestalost.
AUC-ROC kriva:
Za procenu performansi klasifikatora pri različitim pragovima odlučivanja.
Rezultati će biti prikazani kroz konfuzione matrice, a biće sprovedena i analiza grešaka na primerima gde modeli daju različite predikcije.
Link do github repozitorijuma : https://github.com/milosbojanic/siap