Effects of Image Resolution on Skin Lesions Classification with Residual Neural Networks

Abstract

Accurate detection of tumorous skin lesions is crucial for the early diagnosis and treatment of skin cancer, significantly impacting patient health outcomes. High-resolution images of skin lesions are vital for enhancing the classification performance of deep learning models. These detailed images provide critical visual information, enabling more precise identification and differentiation of malignant and benign lesions, ultimately improving patient care. However, the effect of image resolution, especially for images with aspect ratios above 450 × 450 pixels, remains unclear. This thesis investigated the influence of image resolution on the classification performance of skin lesion images using the well-established Residual Neural Network (ResNet) architecture. Specifically, the study examined three different resolutions: 300 × 225, 450 × 338, and 600 × 450 pixels. Extensive experiments were conducted and evaluated using the Area Under The Receiver Operating Characteristic Curve (AUROC) metric. The results showed a positive correlation between increasing image resolution and increasing AUROC scores across all classes. Although the degree of performance improvement seemed to be class-dependent, the one standard deviation variability in terms of the AUROC score decreased with increasing resolutions, with the most notable reduction observed at 600 × 450 pixels.

Die genaue Erkennung tumoröser Hautläsionen stellt einen entscheidenden Faktor bei der frühzeitigen Diagnose und Behandlung von Hautkrebs dar und hat signifikante Auswirkungen auf die gesundheitliche Verfassung der Patienten. Hochauflösende Bilder von Hautläsionen sind von entscheidender Bedeutung für die Verbesserung der Klassifizierungsleistung von Deep-Learning-Modellen. Die Bereitstellung detaillierter Bilder ermöglicht eine präzisere Identifizierung und Unterscheidung von bösartigen und gutartigen Läsionen, was letztlich zu einer Verbesserung der Patientenversorgung führt. Die Auswirkungen der Bildauflösung, insbesondere bei Bildern mit einem Seitenverhältnis von mehr als 450 × 450 Pixeln, sind jedoch noch unklar. In dieser Arbeit wurde der Einfluss der Bildauflösung auf die Klassifizierungsleistung von Hautläsionsbildern unter Verwendung der bewährten Residual Neural Network (ResNet)-Architektur untersucht. Konkret wurden drei verschiedene Auflösungen untersucht: 300 × 225, 450 × 338 und 600 × 450 Pixel. Es wurden umfangreiche Experimente durchgeführt, die anhand der Area Under The Receiver Operating Characteristic Curve (AUROC)-Metrik ausgewertet wurden. Die Ergebnisse zeigten eine positive Korrelation zwischen steigender Bildauflösung und steigenden AUROC-Werten in allen Klassen. Obwohl der Grad der Leistungsverbesserung klassenabhängig zu sein schien, nahm die Streuung von einer Standardabweichung in Bezug auf den AUROC-Score mit zunehmender Auflösung ab, wobei die bemerkenswerteste Verringerung bei 600 × 450 Pixeln beobachtet wurde.