https://doi.org/10.53453/ms.2024.3.9
Convolutional neural networks for early melanoma detection using
dermoscopic images: a literature review
Martyna Karmazinaitė
1
, Rapolas Šalaševičius
2
¹Vilnius University, Faculty of Medicine, Vilnius, Lithuania
2
Elektrenai hospital, Elektrenai, Lithuania
Abstract
Background: artificial intelligence (AI) is reshaping dermatology, offering faster and more accurate diagnoses,
particularly for conditions like melanoma. Melanoma, a deadly form of skin cancer, requires early detection for
effective treatment. Dermoscopy, aided by Convolutional Neural Networks (CNN), has emerged as a promising
approach for early melanoma detection. As melanoma incidence rises, AI-driven solutions offer hope for more
efficient diagnoses and improved patient outcomes.
Aim: To analize the potential of convolutional neural networks (CNN) for early detection of melanoma using
dermatoscopy images. We aim to review how CNN can effectively analyze and classify dermatoscopic images to
accurately identify suspicious skin lesions.
Methodology: articles were searched in the PubMed and Google Scholar databases. The search used keywords
and their combinations, such as melanoma, convolutional neural networks, dermoscope. Articles whose title or
keywords matched the purpose of this literature review were selected for analysis.
Results: CNN have shown superior diagnostic accuracy compared to traditional methods. Collaborative
approaches between CNN and dermatologists showing promise in improving diagnostic outcomes.
Conclusions: the integration of artificial intelligence into dermatology is transforming the detection and diagnosis
of skin diseases like melanoma. Convolutional neural networks have shown exceptional performance in analyzing
dermoscopic images and distinguishing benign from malignant lesions. With melanoma incidence on the rise,
leveraging artificial intelligence becomes increasingly essential for swift and accurate diagnoses globally,
ultimately enhancing outcomes for patients battling the disease.
Keywords: melanoma, convolutional neural networks, patterns, borders, augmentation, data preprocessing,
machine learning algorithms, dermoscopy.
Journal of Medical Sciences. 11 Mar, 2024 - Volume 12 | Issue 2. Electronic - ISSN: 2345-0592
Medical Sciences 2024 Vol. 12 (2), p. 78-84, https://doi.org/10.53453/ms.2024.3.9
78
Konvoliuciniai neuroniniai tinklai ankstyvam melanomos
aptikimui naudojant dermatoskopinius vaizdus: literatūros
apžvalga
Martyna Karmazinaitė
1
, Rapolas Šalaševičius
2
1
Vilniaus universiteto Medicinos fakultetas, Vilnius, Lietuva
2
Elektrėnų ligoninė, Elektrėnai, Lietuva
Santrauka
Įvadas: dirbtinis intelektas daro didelę įtaką dermatologijoje, pagerina ankstyvą odos ligų nustatymą ir
diagnostiką. Melanoma, kilusi iš pigmentą gaminančių melanocitų, jei negydoma ankstyvoje stadijoje, yra
metastazuoti galinti odos vėžio forma. Dermatoskopas atlieka lemiamą vaidmenį melanomos diagnozėje, pagerina
vizualizaciją ir paternų aptikimą. Konvoliuciniai neuroniniai tinklai (angl. convolutional neural networks, CNN)
- giliojo mokymosi technika, galinti efektyviai analizuoti dermatoskopinius vaizdus ir sukelianti revoliuciją
medicininių vaizdų analizėje.
Tikslas: apžvelgti konvoliucinių neuronų tinklų potencialą anksti aptikti melanomą naudojant dermatoskopijos
vaizdus. Siekiame apžvelgti, kaip CNN gali veiksmingai analizuoti ir klasifikuoti dermatoskopinius atvaizdus,
kad tiksliai nustatytų įtartinus odos pažeidimus.
Metodika: straipsnių paieška vykdyta PubMed ir Google Scholar duomenų bazėse. Paieškoje buvo naudojami
raktiniai žodžiai ir jų deriniai, tokie kaip melanoma, konvoliuciniai neuroniniai tinklai, dermatoskopas. Analizei
buvo atrinkti straipsniai, kurių pavadinimas ar raktiniai žodžiai atitiko šios literatūros apžvalgos tikslą.
Rezultatai: CNN parodė geresnį diagnostikos našumą nei tradiciniai metodai. Dermatologams į praktiką įtraukus
CNN modelį, stebimas potencialas pagerinti diagnostikos tikslumą, specifiškumą ir jautrumą.
Išvados: dirbtinio intelekto integravimas į dermatologiją keičia odos ligų, tokių kaip melanoma, aptikimą ir
diagnostiką. Konvoliuciniai neuroniniai tinklai parodė išskirtinį našumą analizuodami dermatoskopinius vaizdus,
atskirdami gerybinius nuo piktybinių pažeidimų. Daugėjant melanomos atvejų, dirbtinio intelekto naudojimas
tampa vis svarbesnis, kad pacientams visame pasaulyje būtų suteikta greitesnė ir tikslesnė diagnozė.
Raktažodžiai: melanoma, konvoliuciniai neuroniniai tinklai, paternai, briaunos, augmentacija, išankstinis
duomenų apdorojimas, mašininio mokymosi algoritmai, dermoskopija.
Journal of Medical Sciences. 11 Mar, 2024 - Volume 12 | Issue 2. Electronic - ISSN: 2345-0592
79
1. Įvadas
Šiais laikais dirbtinis intelektas dermatologijoje daro
didelę įtaką, nes padeda geriau anksti nustatyti ir
diagnozuoti odos ligas. Tokios šalys kaip JAV,
Kinija ir Vokietija pirmauja integruodamos dirbtinį
inteleką į dermatologijos praktiką: siekiant
diagnozuoti melanomą kuo anksčiau, naudojamos
dirbtinio intelekto valdomos sistemos
dermatoskopiniams vaizdams analizuoti. Ši
technologija kelia revoliuciją dermatologijos srityje,
siūlydama greitesnę ir tikslesnę diagnozę
pacientams visame pasaulyje. Melanoma yra odos
vėžio rūšis, kuri išsivysto iš pigmentą gaminančių
ląstelių, vadinamų melanocitais. Tai laikoma
sunkiausia odos vėžio forma, nes ji gali išplisti į
kitas kūno dalis, jei nebus aptikta ir gydoma anksti.
Melanoma gali atsirasti bet kurioje kūno vietoje,
tačiau dažniausiai lokalizuojasi liemens srityje
vyrams, moterims – apatinių galūnių. Ji taip pat gali
išsivystyti ir kitose srityse, pavyzdžiui, akyse,
burnoje ir lytiniuose organuose [1]. Melanoma yra
gana reta lyginant su kitomis odos vėžio rūšimis,
tačiau per pastaruosius kelis dešimtmečius jos
dažnis didėja. Tarptautinės vėžio tyrimų agentūros
duomenimis, 2020 metais bendras melanomos
atvejų skaičius buvo 324 439. Numatomas 2025
metais – 350 941, taip pat 2030 metais – 377 318,
per dešimtmetį išaugant apie 15 procentų. Penkerių
metų išgyvenamumas pacientams, sergantiems
lokalizuota ligos forma yra 97 procentai. Tačiau
pacientų, sergančių IV ligos stadija, penkerių metų
išgyvenamumas siekia tik 10 procentų, todėl
ankstyva melanomos diagnostika yra labai
svarbi [2]. Dermoskopija yra neinvazinis in vivo
diagnostikos metodas įtartiniems odos pažeidimams
įvertinti pasitelkiant dermatoskopą, ir yra ypač
svarbi diagnozuojant melanomą. Dermatoskopas
imituoja didinamąjį lęšį su papildoma reguliuojama
integruota apšvietimo sistema, tai leidžia geresnę
vizualizaciją, paternų nustatymą ir didesnį
diagnostinį tikslumą [3,4]. Dermatoskopinius
vaizdus galima analizuoti naudojant konvoliucinius
neuroninius tinklus (angl. convolutional neural
networks, CNN) - giliojo mokymosi algoritmo
techniką, kuri sukėlė revoliuciją medicininio
vaizdavimo analizės srityje. CNN medicinoje tampa
vis svarbesnis metodas dėl gebėjimo analizuoti ir
interpretuoti sudėtingus medicininius atvaizdus,
tokius kaip rentgeno, MRT, kompiuterinės tomo-
grafijos, histopatologinius ir dermatoskopinius [5].
2. Metodika
Straipsnių paieška vykdyta PubMed ir Google
Scholar duomenų bazėse. Paieškoje buvo naudojami
raktiniai žodžiai ir jų deriniai, tokie kaip melanoma,
konvoliuciniai neuroniniai tinklai, dermatoskopas.
Analizei buvo atrinkti straipsniai, kurių pavadinimas
ar raktiniai žodžiai atitiko šios literatūros apžvalgos
tikslą.
3. Rezultatai
3.1 Dermoskopija
Terminą „dermoskopija“ 1970 m. pirmą kartą
panaudojo austrų dermatologas Johanas Saphieris.
Jis taikė dermoskopiją daugiausia odos kapiliarams
įvertinti normaliomis ir patologinėmis sąlygomis, o
pigmentinių odos pakitimų aprašymas ir diagnostika
tuo laikotarpiu nevaidino didelio vaidmens. Pirmieji
darbai apie dermoskopijos taikymą melanomos
diagnozei datuojami 1971 metais [6]. Pagrindinis
dermoskopijos principas yra pažeidimo transi-
liuminacija, siekiant ištirti jį dideliu padidinimu bei
vizualizuoti subtilius bruožus, dažnai pasitelkiant
imersinį skystį. Kad būtų galima palyginti atvaizdus
ateityje, dermatoskopas gali juos įrašyti [3].
Nepaisant pastangų tobulinti melanomos diagnozę,
klaidingas diagnozavimas ir neteisingas stadija-
vimas išlieka pripažinta dermatopatologijos proble-
ma. Vienas iš esamų melanomos nustatymo iššūkių
yra tiksliai atskirti gerybinius ir piktybinius odos
Journal of Medical Sciences. 11 Mar, 2024 - Volume 12 | Issue 2. Electronic - ISSN: 2345-0592
80
pažeidimus ankstyvosiose ligos stadijose. Tai gali
lemti uždelstą diagnozę ir gydymą, tuo pačiu
blogesnes ligos išeitis, padidinti perteklinių biopsijų
skaičių [7]. CNN mašininio mokymosi algoritmas
parodė didelį potencialą nustatyti ankstyvą
melanomą analizuojant odos vaizdinius duomenis
[12,13,14].
3.2 Konvoliuciniai neuroniniai tinklai
Per pastaruosius du dešimtmečius konvoliuciniai
neuroniniai tinklai (CNN) tapo neįkainojama
biomedicininių atvaizdų klasifikavimo priemone ir
buvo pasiūlyti kaip klinikinės diagnostikos
priemonė tokiose srityse kaip radiologija,
histologija, oftalmologija ir dermatologija. CNN yra
gilaus mokymosi algoritmo tipas – kompiuterinės
programinės įrangos forma, kuri greitai ir tiksliai
supranta ir atpažįsta vaizdinius duomenis [8].
Konvoliuciniai neuroniniai tinklai yra labai tinkami
atvaizdų analizės užduotims dėl jų gebėjimo
automatiškai apdoroti sudėtingas atvaizdų savybes.
CNN naudoja skirtingus konvoliucinius sluoksnius,
kad rastų įvesties duomenų ryšius, paternus ir
ypatybes, kurie nėra lengvai pastebimi naudojant
dabartinius įprastus analizės metodus. CNN
išmoksta ir atpažįsta bruožus, tokius kaip briaunos,
tekstūros ir formos, gali prisitaikyti prie mastelio,
orientacijos ir apšvietimo sąlygų skirtumų, todėl jie
puikiai tinka atvaizdų klasifikavimui. Vaizdų analizė
yra paremta patirtimi iš įvesties duomenų bazės.
Taigi, CNN gebėjimas automatiškai išmokti
sudėtingas vaizdų funkcijas daro juos galingu
įrankiu įvairioms vaizdų analizės užduotims
atlikti [9].
3.3 Duomenų rinkimas, apdorojimas ir iššūkiai
Kuriant mašininio mokymosi algoritmus, būtina
surinkti dermoskopijos atvaizdų duomenų rinkinį.
Tam reikia įsigyti įvairių ir reprezentatyvių
paveikslų iš įvairių šaltinių, tokių kaip medicininiai
archyvai, tyrimų duomenų bazės ir klinikiniai
tyrimai [15]. Šie atvaizdai turėtų apimti daugybę
odos pažeidimų tipų, įskaitant melanomą,
melanocitinius apgamus ir gerybinius pažeidimus,
kad būtų užtikrinta visapusiška dermatologinių
būklių aprėptis. Vienas reikšmingų iššūkių yra
pažeidimo išvaizdos kintamumas: spalva, struktūra,
kurios gali labai skirtis priklausomai nuo tokių
veiksnių kaip odos ar pažeidimo tipas. Be to,
dermoskopiniuose atvaizduose dažnai yra artefaktų,
tokių kaip raukšlės, oro burbuliukai, plaukai ir
atspindžiai, kurie gali trukdyti atlikti automatinę
analizę ir klasifikaciją [10, 16]. Kitas aspektas yra
klaidinančių požymių buvimas, kai gerybiniai
pažeidimai gali turėti vaizdinį panašumą su
piktybiniais, todėl gali būti klaidingai klasifikuojami
[17]. Taip pat dermoskopijos atvaizduose gali būti
subtilių ar ankstyvų melanomos požymių, kuriuos
sunku aptikti, todėl klasifikavimo modeliams reikia
didelio jautrumo ir specifiškumo. Todėl kuriant
patikimus dermoskopinių atvaizdų analizės
algoritmus reikia spręsti šiuos iššūkius naudojant
pažangias išankstinio apdorojimo technologijas,
didinimo strategijas ir sudėtingas gilaus mokymosi
architektūras, pritaikytas dermoskopinio atvaizdo
niuansams [11]. Klasifikuojant odos pažeidimus, yra
svarbus išankstinis duomenų apdorojimas ir
augmentacija: atvaizdo ryškumo, kontrasto, skiria-
mosios gebos standartizavimas, nepageidaujamų
artefaktų sumažinimas. Be to, augmentacijos meto-
dai sukuria daugiau duomenų, ir nauji atvaizdai
atpažįstami taikant turimų vaizdų transformacijas
[9]. Svarbų vaidmenį palengvinant prieigą prie
aukštos kokybės dermoskopijos atvaizdų atlieka
bendradarbiavimas su dermatologais, medicinos
įstaigomis ir tyrimų organizacijomis. Šiuo metu
plačiai naudojami yra HAM10000, ISIC ir PH
2
duomenų rinkiniai [11].
Journal of Medical Sciences. 11 Mar, 2024 - Volume 12 | Issue 2. Electronic - ISSN: 2345-0592
81
3.4 Konvoliucinių neuroninių tinklų modelių
perspektyva
Keletas tyrimų įvertino konvoliucinių neuroninių
tinklų modelių našumą ir tikslumą melanomos
aptikimui. CNN šioje srityje parodė daug žadančių
rezultatų dėl savo gebėjimo automatiškai išmokti
paternus iš turimų vaizdų, todėl jie puikiai tinka
atlikti tokias užduotis kaip odos pažeidimų
klasifikavimas. Novatoriškame Han, S. S. ir kt.
tyrime, parodomas konvoliucinių neuronų tinklų
veiksmingumas diagnozuojant odos vėžį.
Apmokytas naudojant platų duomenų rinkinį, kurį
sudaro 129 450 klinikinių vaizdų, CNN modelis
pasiekė išskirtinį jautrumą ir specifiškumą –
atitinkamai 90,0 ir 92,1 %, ir įrodė gebėjimą atskirti
melanomą nuo gerybinių darinių. Kiti tyrimai
palygino dermatologų galimybes su CNN [12].
Kitame, lyginamajame tyrime, buvo naudojamas
100 vaizdų rinkinys (I lygis: tik dermoskopija; II
lygis: dermoskopija ir klinikinė informacija). I
lygyje dermatologai pasiekė vidutinį jautrumą ir
specifiškumą atitinkamai 86,6 ir 71,3 %. Įvedus
daugiau klinikinės informacijos (II lygis), jautrumas
padidėjo iki 88,9 %, o specifiškumas - iki 75,7 %.
CNN I lygyje jautrumas ir specifiškumas reikšmin-
gai pranoko dermatologų rezultatus (86,6 ir 82,5 %
atitinkamai) bei II lygyje reikšmingai pranoko
jautrumą (88,9 %). Reiktų paminėti, jog CNN
diagnostikos rezultatai buvo pranašesni už daugumą,
bet ne visus dermatologus [13]. Kitoje perspekty-
vinėje diagnostinėje studijoje, 22 dermatologai,
turintys skirtingą dermoskopijos naudojimo patirtį,
188 pacientams atliko viso kūno ištyrimą.
Dermatologai nurodė įtartinų pažeidimų
piktybiškumo lygį ir pasiūlė gydymo planą. Po šio
tyrimo pacientai buvo išsiųsti į atskirą patalpą CNN
vertinimui, o rezultatai buvo perduoti dermato-
logams, kurių buvo paprašyta iš naujo įvertinti savo
sprendimus remiantis CNN pateiktomis išvadomis.
Vertinant atskirai, dermatologų išvados jautrumu
buvo panašios į CNN; tačiau CNN aplenkė
dermatologus specifiškumu ir tikslumu. Dar svar-
biau, kad kai dermatologai įtraukė CNN rezultatus į
savo sprendimų priėmimą, jautrumas padidėjo iki
100 %. Be to, įtraukus CNN rezultatus, nereikalingų
gerybinių nevių pašalinimų skaičius sumažėjo
19,2 %. Autoriai pažymėjo, kad CNN rezultatų
pridėjimas daugiausia buvo naudingas derma-
tologams, turintiems mažiau nei 5 metų patirtį [14].
4. Išvados
Dirbtinio intelekto integravimas į dermatologijos
praktiką sukelia perversmą nustatant ir
diagnozuojant odos ligas, tokias kaip melanoma.
Konvoliuciniai neuroniniai tinklai parodė išskirtinį
našumą analizuodami dermoskopinius vaizdus ir
atskirdami gerybinius pažeidimus nuo piktybinių.
Iššūkiai, tokie kaip duomenų kintamumas ir
klaidinantys melanomos požymiai, turi būti
sprendžiami naudojant pažangius išankstinio
apdorojimo metodus ir augmentacijos strategijas.
Tyrimai pabrėžia, kad dermatologai gali pagerinti
savo diagnostikos galimybes bendradarbiaudami su
CNN, ypač tie, kurie turi ribotą dermoskopijos
patirtį. Šiuose tyrimuose atskleista žmogaus ir
mašininio mokymosi metodų kombinacija žada
geresnes pacientų ligos išeitis per tikslesnius ir
veiksmingesnius diagnostikos procesus. Kadangi
melanomos dažnis ir toliau didėja, dirbtinio
intelekto naudojimas taps dar svarbesnis, kad
pacientams visame pasaulyje būtų suteikta greitesnė
ir tikslesnė diagnozė, o tai galiausiai pagerintų ligos
išeitis.
Literatūros šaltiniai
1. Stanienda-Sokol, K., Salwowska, N., Slawinska,
M., Wicherska-Pawlowska, K., Lorenc, A., Wcislo-
Dziadecka, D., Wydmanski, J., & Majewski, W.
(2017). Primary Locations of Malignant Melanoma
Journal of Medical Sciences. 11 Mar, 2024 - Volume 12 | Issue 2. Electronic - ISSN: 2345-0592
82
Lesions Depending on Patients’ Gender and Age.
Asian Pacific Journal of Cancer Prevention, 18(11).
2. Heistein JB, Acharya U, Mukkamalla SKR.
Malignant Melanoma. [Updated 2023 May 22]. In:
StatPearls [Internet]. Treasure Island (FL):
StatPearls Publishing; 2024
3. Sonthalia S, Yumeen S, Kaliyadan F.
Dermoscopy Overview and Extradiagnostic
Applications. [Updated 2023 Aug 8]. In: StatPearls
[Internet]. Treasure Island (FL): StatPearls
Publishing; 2024
4. Marghoob, Nadeem G., Liopyris, Konstantinos
and Jaimes, Natalia. "Dermoscopy: A Review of the
Structures That Facilitate Melanoma
Detection" Journal of Osteopathic Medicine, vol.
119, no. 6, 2019, pp. 380-390.
5. Chan, H.-P., Samala, R. K., Hadjiiski, L. M., &
Zhou, C. (2020). Deep Learning in Medical Image
Analysis. In Advances in Experimental Medicine
and Biology (pp. 3–21). Springer International
Publishing.
5. Buch J, Criton S. Dermoscopy Saga - A Tale of 5
Centuries. Indian J Dermatol. 2021 Mar-
Apr;66(2):174-178. doi: 10.4103/ijd.IJD_691_18.
PMID: 34188274; PMCID: PMC8208256.
6. Waqar S, George S, Jean-Baptiste W, Yusuf Ali
A, Inyang B, Koshy FS, George K, Poudel P,
Chalasani R, Goonathilake MR, Mohammed L.
Recognizing Histopathological Simulators of
Melanoma to Avoid Misdiagnosis. Cureus. 2022 Jun
20;14(6):e26127. doi: 10.7759/cureus.26127.
PMID: 35875272; PMCID: PMC9299949.
7. Cullell-Dalmau, M., Noé, S., Otero-Viñas, M.,
Meić, I., & Manzo, C. (2021). Convolutional Neural
Network for Skin Lesion Classification:
Understanding the Fundamentals Through Hands-
On Learning. In Frontiers in Medicine (Vol. 8).
Frontiers Media SA.
8. Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-
Dujaili, A., Duan, Y., Al-Shamma, O., Santamaría,
J., Fadhel, M. A., Al-Amidie, M., & Farhan, L.
(2021). Review of deep learning: concepts, CNN
architectures, challenges, applications, future
directions. In Journal of Big Data (Vol. 8, Issue 1).
Springer Science and Business Media LLC.
9. Maron RC, Hekler A, Krieghoff-Henning
E, Schmitt M, Schlager JG, Utikal JS, Brinker TJ
Reducing the Impact of Confounding Factors on
Skin Cancer Classification via Image Segmentation:
Technical Model StudyJ Med Internet Res
2021;23(3):e21695
10. A. Naeem, M. S. Farooq, A. Khelifi and A. Abid,
"Malignant Melanoma Classification Using Deep
Learning: Datasets, Performance Measurements,
Challenges and Opportunities," in IEEE Access, vol.
8, pp. 110575-110597, 2020,
11. Han, S. S., Kim, M. S., Lim, W., Park, G. H.,
Park, I., & Chang, S. E. (2018). Classification of the
Clinical Images for Benign and Malignant
Cutaneous Tumors Using a Deep Learning
Algorithm. Journal of Investigative Dermatology,
138(7), 1529–1538.
12. Haenssle HA, Fink C, Schneiderbauer R,
Toberer F, Buhl T, Blum A, Kalloo A, Hassen ABH,
Thomas L, Enk A, Uhlmann L; Reader study level-I
and level-II Groups; Alt C, Arenbergerova M, Bakos
R, Baltzer A, Bertlich I, Blum A, Bokor-Billmann T,
Bowling J, Braghiroli N, Braun R, Buder-Bakhaya
K, Buhl T, Cabo H, Cabrijan L, Cevic N, Classen A,
Deltgen D, Fink C, Georgieva I, Hakim-Meibodi
LE, Hanner S, Hartmann F, Hartmann J, Haus G,
Hoxha E, Karls R, Koga H, Kreusch J, Lallas A,
Majenka P, Marghoob A, Massone C, Mekokishvili
L, Mestel D, Meyer V, Neuberger A, Nielsen K,
Oliviero M, Pampena R, Paoli J, Pawlik E, Rao B,
Rendon A, Russo T, Sadek A, Samhaber K,
Schneiderbauer R, Schweizer A, Toberer F,
Trennheuser L, Vlahova L, Wald A, Winkler J,
Wölbing P, Zalaudek I. Man against machine:
diagnostic performance of a deep learning
Journal of Medical Sciences. 11 Mar, 2024 - Volume 12 | Issue 2. Electronic - ISSN: 2345-0592
83
convolutional neural network for dermoscopic
melanoma recognition in comparison to 58
dermatologists. Ann Oncol. 2018 Aug 1;29(8):1836-
1842.
13. Winkler JK, Blum A, Kommoss K, Enk A,
Toberer F, Rosenberger A, Haenssle HA.
Assessment of Diagnostic Performance of
Dermatologists Cooperating with a Convolutional
Neural Network in a Prospective Clinical Study:
Human With Machine. JAMA Dermatol. 2023 Jun
1;159(6):621-627. doi:
10.1001/jamadermatol.2023.0905. PMID:
37133847; PMCID: PMC10157508.
14. Pham, T.-C., Luong, C.-M., Visani, M., &
Hoang, V.-D. (2018). Deep CNN and Data
Augmentation for Skin Lesion Classification. In
Intelligent Information and Database Systems (pp.
573–582). Springer International Publishing.
15. Raval, D., & Undavia, J. N. (2023). A
Comprehensive assessment of Convolutional Neural
Networks for skin and oral cancer detection using
medical images. In Healthcare Analytics (Vol. 3, p.
100199). Elsevier BV.
16. Kaur R, GholamHosseini H, Sinha R, Lindén M.
Melanoma Classification Using a Novel Deep
Convolutional Neural Network with Dermoscopic
Images. Sensors (Basel). 2022 Feb 2;22(3):1134.
Journal of Medical Sciences. 11 Mar, 2024 - Volume 12 | Issue 2. Electronic - ISSN: 2345-0592
84