Rozpoznávání rakoviny kůže na základě obrazových dat

Bc. Matěj ŠULC

Diplomová práce

Image-based skin cancer recognition

Abstract:

This work investigates current and emerging approaches in deep learning for multiclass skin lesion classification using dermoscopic imagery. A review of major dermatological datasets is conducted, where challenges related to class imbalance, dataset diversity, and inter-class similarity are discussed. The experimental portion evaluates end-to-end supervised learning using a range of CNN-based, transformer-based, and hybrid architectures for multiclass lesion classification. In addition, a zero-shot learning approach is explored in a retrieval-based setting using pretrained foundation models to assess generalization capabilities without task-specific fine-tuning. Results indicate that supervised deep learning models achieve strong performance but remain challenged by visually similar lesion categories, while zero-shot methods demonstrate promising but limited ability to capture relevant features under domain shift.

Abstract:

Tato práce zkoumá současné a nově vznikající přístupy k hlubokému učení pro klasifikaci kožních lézí do více tříd pomocí dermoskopických snímků. Je proveden rozbor hlavních dermatologických datových sad, kde jsou diskutovány problémy související s nevyvážeností tříd, diverzitou datových sad a podobností mezi třídami. Experimentální část hodnotí end-to-end učení s učitelem využívající řadu architektur založených na CNN, transformerech a hybridních architekturách pro klasifikaci lézí do více tříd. Dále je zkoumán zero-shot přístup založený na vyhledávání dat s využitím velkých předtrénovaných modelů k posouzení generalizačních schopností bez dotrénování na dané úloze. Výsledky naznačují, že modely hlubokého učení s učitelem dosahují lepších výsledků, nicméně problémy u vizuálně podobných kategorií lézí zůstávají, zatímco zero-shot metody vykazují slibnou, ale omezenou schopnost zachytit relevantní příznaky při změně domény.

Keywords

rozpoznání rakoviny kůže, dermoskopie, hluboké učení, konvoluční neuronové sítě, vision transformery, zero-shot učení

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 20. 5. 2026

Zveřejnit od: 31. 12. 2999

Obhajoba závěrečné práce

• Vedoucí: Ing. Lukáš Picek, Ph.D.

ZÁPADOČESKÁ UNIVERZITA V PLZNI

Fakulta aplikovaných věd

Magisterský studijní program / obor:
Kybernetika a řídicí technika / Umělá inteligence a automatizace