Psoriasis support system based on semantic segmentation AI models

Lopes, Toni Marcos Silva

Publication

Psoriasis support system based on semantic segmentation AI models

2025-01-21Master thesis

datacite.subject.fos	Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
dc.contributor.advisor	Moreira, Rui Silva
dc.contributor.advisor	Soares, Christophe
dc.contributor.author	Lopes, Toni Marcos Silva
dc.date.accessioned	2025-05-27T09:56:02Z
dc.date.available	2025-05-27T09:56:02Z
dc.date.issued	2025-01-21
dc.description.abstract	Psoriasis is a chronic inflammatory skin disease characterized by the presence of lesions that vary in shape, size, and color. Accurate segmentation of these lesions from clinical images is crucial for effective diagnosis and treatment monitoring. However, the variability in image dimensions, lighting conditions, and the presence of noise in real-world datasets complicates the segmentation task. Additionally, available datasets for psoriasis lesion segmentation are often small, making it challenging to train deep learning models effectively without overfitting. The project aims to enhance the segmentation accuracy of psoriasis lesions by employing a range of AI models and optimizing their performance through the application of advanced pre-processing techniques and data augmentation strategies. The AI models tested include Mask R-CNN, U-Net, YOLOv8n, FCN, DeepLabV3+, BiSeNet, HRNet, PSPNet, and SegNet. Pre-processing techniques, such as bilateral smooth filters and adaptive median filters, were applied to enhance image quality and reduce noise. Furthermore, data augmentations, including random adjustments in brightness, contrast, cropping, rotation, flipping, and scaling, were used to simulate real-world variations and increase the robustness of the models. These augmentations were carefully replicated from related works to mimic their experimental setups. The evaluation of multiple AI models for psoriasis lesion segmentation demonstrated that applying effective pre-processing and data augmentation techniques significantly improves model performance. Among the tested models, FCN achieved the highest F1 score of 0.889, using a bilateral smooth filter and translation augmentations. U-Net and SegNet followed closely, with U-Net reaching an F1 score of 0.885 and SegNet 0.880, both benefiting from similar pre-processing and augmentation strategies. Mask R-CNN and BiseNet also showed competitive results, underscoring the importance of carefully selected augmentations that mimic real-world variability. These findings highlight the value of pre-processing and augmentation in enhancing model generalization, particularly in small, diverse datasets. In addition to the AI-based segmentation work, the project also incorporates a mobile application designed to assist patients in tracking their psoriasis lesions over time. This application enables users to monitor whether lesions are improving or worsening, providing valuable insights for deciding when to consult a dermatologist. By helping patients recognize early signs of deterioration, the application plays a crucial role in supporting more proactive and informed healthcare decisions.	eng
dc.description.abstract	A psoríase é uma doença crónica inflamatória da pele, caracterizada pela presença de lesões que variam em forma, tamanho e cor. A segmentação precisa dessas lesões a partir de imagens clínicas é essencial para um diagnóstico eficaz e monitorização do tratamento. No entanto, a variabilidade nas dimensões das imagens, nas condições de iluminação e a presença de ruído em conjuntos de dados do mundo real complicam a tarefa de segmentação. Além disso, os conjuntos de dados disponíveis para a segmentação de lesões de psoríase são frequentemente pequenos, o que dificulta o treino eficaz de modelos de aprendizagem profunda sem ocorrer sobreajuste. O objetivo do projeto é melhorar a precisão da segmentação das lesões de psoríase através do uso de uma variedade de modelos de IA e otimizar o seu desempenho por meio de técnicas avançadas de pré-processamento e estratégias de aumento de dados. Os modelos de IA testados incluem Mask R-CNN, U-Net, YOLOv8n, FCN, DeepLabV3+, BiSeNet, HRNet, PSPNet e SegNet. Técnicas de pré-processamento, como filtros de suavização bilateral e filtros medianos adaptativos, foram aplicadas para melhorar a qualidade da imagem e reduzir o ruído. Além disso, foram utilizados aumentos de dados, incluindo ajustes aleatórios de brilho, contraste, recorte, rotação, espelhamento e escalamento, para simular variações reais e aumentar a robustez dos modelos. Estes aumentos foram cuidadosamente replicados de estudos relacionados para imitar as suas configurações experimentais. A avaliação de múltiplos modelos de IA para segmentação de lesões de psoríase demonstrou que a aplicação de técnicas eficazes de pré-processamento e aumento de dados melhora significativamente o desempenho dos modelos. Entre os modelos testados, o FCN alcançou a pontuação F1 mais alta de 0,889, usando um filtro de suavização bilateral e aumentos de translação. O U-Net e o SegNet seguiram de perto, com o U-Net a atingir uma pontuação F1 de 0,885 e o SegNet 0,880, ambos beneficiando de estratégias semelhantes de pré-processamento e aumento de dados. O Mask R-CNN e o BiseNet também apresentaram resultados competitivos, sublinhando a importância de aumentos cuidadosamente selecionados que mimetizam a variabilidade do mundo real. Estes resultados destacam o valor do pré-processamento e do aumento de dados na melhoria da generalização dos modelos, particularmente em conjuntos de dados pequenos e diversificados. Além do trabalho de segmentação baseado em IA, o projeto também incorpora uma aplicação móvel destinada a ajudar os pacientes a acompanhar a evolução das suas lesões de psoríase ao longo do tempo. Esta aplicação permite que os utilizadores monitorizem se as lesões estão a melhorar ou a piorar, fornecendo informações valiosas para decidir quando consultar um dermatologista. Ao ajudar os pacientes a reconhecer sinais precoces de deterioração, a aplicação desempenha um papel crucial no apoio a decisões de saúde mais proativas e informadas.	por
dc.description.abstract	La psoriasis est une maladie de la peau inflammatoire chronique, caractérisée par la présence de lésions dont la forme, la taille et la couleur varient. La segmentation précise de ces lésions à partir d’images cliniques est essentielle pour un diagnostic efficace et un suivi adéquat du traitement. Cependant, la variabilité des dimensions des images, des conditions d’éclairage et la présence de bruit dans les ensembles de données réels compliquent cette tâche de segmentation. De plus, les ensembles de données disponibles pour la segmentation des lésions de psoriasis sont souvent de petite taille, ce qui rend difficile l’entraînement efficace des modèles d’apprentissage profond sans surajustement. Le projet vise à améliorer la précision de la segmentation des lésions de psoriasis en employant une gamme de modèles d’IA et en optimisant leur performance à travers l’application de techniques avancées de pré-traitement et de stratégies d’augmentation des données. Les modèles d’IA testés incluent Mask R-CNN, U-Net, YOLOv8n, FCN, DeepLabV3+, BiSeNet, HRNet, PSPNet et SegNet. Des techniques de pré-traitement, telles que les filtres de lissage bilatéral et les filtres médians adaptatifs, ont été appliquées pour améliorer la qualité des images et réduire le bruit. Par ailleurs, des augmentations de données, comprenant des ajustements aléatoires de luminosité, de contraste, de recadrage, de rotation, de symétrie et de mise à l’échelle, ont été utilisées pour simuler des variations réelles et augmenter la robustesse des modèles. Ces augmentations ont été minutieusement reproduites à partir de travaux similaires afin d’imiter leurs configurations expérimentales. L’évaluation de plusieurs modèles d’IA pour la segmentation des lésions de psoriasis a montré que l’application de techniques de pré-traitement et d’augmentation de données améliore de manière significative la performance des modèles. Parmi les modèles testés, le FCN a obtenu le score F1 le plus élevé de 0,889 en utilisant un filtre de lissage bilatéral et des augmentations de translation. U-Net et SegNet ont suivi de près, avec des scores F1 respectifs de 0,885 et 0,880, bénéficiant de stratégies similaires de pré-traitement et d’augmentation. Mask R-CNN et BiseNet ont également montré des résultats compétitifs, soulignant l’importance d’augmentations soigneusement sélectionnées qui reproduisent la variabilité réelle. Ces résultats mettent en évidence l’importance du pré-traitement et de l’augmentation des données dans l’amélioration de la généralisation des modèles, en particulier sur des ensembles de données petits et diversifiés. En plus des travaux de segmentation basés sur l’IA, le projet intègre également une application mobile destinée à aider les patients à suivre l’évolution de leurs lésions de psoriasis dans le temps. Cette application permet aux utilisateurs de surveiller si les lésions s’améliorent ou se détériorent, fournissant ainsi des informations précieuses pour décider quand consulter un dermatologue. En aidant les patients à reconnaître les signes précoces de détérioration, l’application joue un rôle essentiel dans le soutien à des décisions de santé plus proactives et éclairées.	fra
dc.identifier.tid	203940164
dc.identifier.uri	http://hdl.handle.net/10284/14263
dc.language.iso	eng
dc.rights.uri	http://creativecommons.org/licenses/by/4.0/
dc.subject	Psoriasis
dc.subject	Segmentation
dc.subject	Artificial intelligence
dc.subject	Mobile applications
dc.subject	Medical imaging
dc.subject	Psoríase
dc.subject	Segmentação
dc.subject	Inteligência artificial
dc.subject	Aplicações móveis
dc.subject	Imagem médica
dc.subject	Intelligence artificielle
dc.subject	Applications mobiles
dc.subject	Imagerie médicale
dc.title	Psoriasis support system based on semantic segmentation AI models	eng
dc.type	master thesis
dspace.entity.type	Publication
thesis.degree.name	Mestrado em Engenharia Informática, ramo de Computação Móvel