Un Modelo Híbrido de Fusión de Características Profundas en Trío para una Mejora en la Clasificación del Cáncer de Piel: Combinando Imágenes Dermatoscópicas y DCT

La identificación precisa y rápida del cáncer de piel es esencial para un tratamiento eficiente. Las variaciones en el color dentro de las lesiones cutáneas son signos críticos de malignidad; sin embargo, las discrepancias en las condiciones de imagen pueden inhibir la eficacia de los modelos de aprendizaje profundo. Numerosas investigaciones anteriores han desatendido este problema, dependiendo frecuentemente de características profundas de una única capa de un modelo de aprendizaje profundo individual. Este estudio presenta un nuevo modelo de aprendizaje profundo híbrido que integra la transformada discreta del coseno (DCT) con estructuras de red neuronal convolucional (CNN) multicapa para mejorar la clasificación del cáncer de piel. Inicialmente, se aplica DCT a las imágenes dermatoscópicas para realzar y corregir las distorsiones de color en estas imágenes. Después, se entrenan varias CNN por separado con las imágenes dermatoscópicas y las imágenes DCT. A continuación, se obtienen características profundas de dos capas profundas de cada CNN. El modelo híbrido propuesto consiste en una fusión de características profundas en trío. La fase inicial implica emplear la transformada discreta de Wavelet (DWT) para fusionar atributos multidimensionales obtenidos de la primera capa de cada CNN, lo que reduce su dimensión y proporciona una representación en tiempo-frecuencia. Además, para cada CNN, las características profundas de la segunda capa profunda se concatenan. Posteriormente, en la siguiente etapa de fusión de características profundas, para cada CNN, las características de la primera capa fusionadas se combinan con las características de la segunda capa para crear un vector de características efectivo. Finalmente, en la tercera etapa de fusión de características profundas, estas características de bi-capa de las diversas CNN se integran. A través del proceso de entrenamiento de múltiples CNN tanto en las fotos dermatoscópicas originales como en las imágenes mejoradas por DCT, recuperando atributos de dos capas separadas e incorporando atributos de las múltiples CNN, se genera una representación integral de atributos. Los resultados experimentales mostraron una precisión del 96.40% después de la fusión de características profundas en trío. Esto demuestra que la combinación de imágenes mejoradas por DCT y fotos dermatoscópicas puede mejorar la precisión diagnóstica. El modelo híbrido de fusión de características profundas en trío supera a los modelos CNN individuales y a los estudios más recientes, demostrando así su superioridad.