Classification of skin cancer images with Kervolutional Neural Networks

Klasyfikacja znamion barwnikowych skóry jest problemem dla którego warto było zastosować nowy rodzaj sieci neuronowej, zwanej kerwolucyjną.W początkowej części pracy zostały omówione zagadnienia, którymi charakteryzują się bazowe sieci, czyli sieci konwolucyjne. Została przedstawiona ich architektura oraz najczęstsze zastosowania. Ten krótki wstęp służy jako podstawa do opisania założeń nowego rodzaju sieci, jaką jest kerwolucyjna. Przedstawione zostały jej założenia matematyczne oraz wyniki publikacji naukowych, w których wykazano przy ich użyciu wyższą dokładność, niż w przypadku odpowiadającego mu modelu konwolucyjnego. W kolejnej części pracy opisane zostały poszczególne kroki implementacji docelowej sieci. Przedstawione zostały narzędzia oraz problemy z którymi trzeba było się zmierzyć, by osiągnąć jak najlepsze rezultaty. W ramach pracy przygotowanych zostało kilka modeli sieci kerwolucyjnych. Trenowane były one na bazie 2000 zdjęć medycznych, dostępnych online. Następnie wyniki porównane zostały z rezultatami odpowiadającej im sieci konwolucyjnej, na podstawie których został sformułowany wniosek czy nowo wprowadzone sieci kerwolucyjne wypadają lepiej w przypadku analizy zdjęć medycznych.

The purpose of the study is to classify clinical images of malignant and benign skin diseases, using a new type of neural network called Kervolutional Neuronal Network.The publication begins with the introduction to commonly used Convolution Neural Network. Their architecture, the method of use, and the most common problems were described. Based on that the assumptions of the new type of layer called kervolutional were presented.Interestingly, the results of scientific researches show, that thanks to this new one layer, the models can achieve greater accuracy and better capacity, in comparison to the typical convolution neural network. Based on the provided assumptions, several kervolutional neural network models were prepared. They were trained using 2,000 medical photos. Five repetitions were performed for each case. The results were compared with the corresponding convolutional network, to conclude if new one kervolutional neural networks provide better results in case of skin disease analysis.