izmertechИзмерительная техникаIzmeritel`naya Tekhnika0368-10252949-5237ФГУП "ВНИИФТРИ"10.32446/0368-1025it.2024-9-53-60izmertech-2232Research ArticleМЕДИЦИНСКИЕ И БИОЛОГИЧЕСКИЕ ИЗМЕРЕНИЯMEDICAL AND BIOLOGICAL MEASUREMENTSМетод оценки симметрии узора глобул в системах искусственного интеллекта для диагностики новообразований кожита для диагностики новообразований кожиThe method for evaluating the symmetry of the globule pattern in artificial intelligence systems for the diagnosis of skin neoplasmshttps://orcid.org/0000-0002-4349-3023НикитаевВ. Г.NikitaevV. G.

Валентин Григорьевич Никитаев

Москва

Valentin G. Nikitaev

Moscow

vgnikitayev@mephi.ruhttps://orcid.org/0000-0003-0443-8504ПроничевА. Ан.PronicheA. N.

Александр Николаевич Проничев

Москва

Alexander N. Proniche

Moscow

 

anpronichev@mephi.ruhttps://orcid.org/0000-0003-1355-788XНагорновО. В.AgornovO. V.

Олег Викторович Нагорнов

Москва

Oleg V. Nagornov

Moscow

ovnagornov@mephi.ruhttps://orcid.org/0000-0001-8487-137XСергеевВ. Ю.SergeevV. Yu.

Василий Юрьевич Сергеев

Москва

Vasily Yu. Sergeev

vasesergeevu@gmail.comhttps://orcid.org/0000-0002-5044-5265КругловаЛ. С.KruglovaL. S.

Лариса Сергеевна Круглова

Москва

Larisa S. Kruglova

Moscow

kruglovals@mail.ruhttps://orcid.org/0000-0001-8693-5357ОтченашенкоА. И.OtchenashenkoA. I.

Александр Иванович Отченашенко

Москва

Alexander I. Otchenashenko

Moscow

alot.zte@gmail.comhttps://orcid.org/0009-0002-6813-303XДееваО. К.DeevaO. K.

Ольга Кирилловна Деева

Москва

Olga K. Deeva

Moscow

deeva.olga.2020@gmail.comНациональный исследовательский ядерный университет "МИФИ"РоссияNational Research Nuclear University “MEPhI”Russian FederationНациональный исследовательский ядерный университет «МИФИРоссияNational Research Nuclear University “MEPhI”Russian FederationНациональный исследовательский ядерный университет «МИФИ»РоссияNational Research Nuclear University “MEPhI”Russian FederationЦентральная государственная медицинская академия Управления делами Президента Российской ФедерацииРоссияCentral State Medical Academy of the Administrative Department of the President of the Russian FederationRussian Federation202402112024095360Copyright © ФГУП "ВНИИФТРИ", 20242024ФГУП "ВНИИФТРИ"ФГУП "ВНИИФТРИ"https://www.izmt.ru/jour/about/submissions#copyrightNoticehttps://www.izmt.ru/jour/article/view/2232

Рассмотрены методы ранней неинвазивной диагностики меланомы с помощью систем компьютерного зрения. Существующие системы компьютерного зрения, использующие нейросети для классификации дерматоскопических изображений, не позволяют отследить по каким диагностическим признакам изображения отнесены к тому или иному классу, что снижает доверие врачей к полученным результатам. В качестве альтернативы предложен алгоритм анализа изображения с возможностью представления обоснований принятых решений на каждом этапе обработки. Реализация такого алгоритма основана на врачебном алгоритме модифицированного анализа узора глобул. Значимым признаком злокачественности новообразования является его асимметрия. Этот критерий широко используют врачи при визуальной оценке новообразований кожи. Однако в настоящее время вопросы оценки симметрии узора глобул в системах искусственного интеллекта недостаточно полно изучены и описаны. Разработан метод оценки симметрии узора глобул в системах искусственного интеллекта для диагностики новообразований кожи. Сформирован массив дерматоскопических снимков, содержащий по 50 изображений новообразований с симметрично и асимметрично расположенными узорами глобул. Описаны методы выделения области новообразования и глобул. Разработана система классификации, основанная на наборе из 12 количественных характеристик симметричности. Для классификации изображений по признакам симметричности применён алгоритм Random Forest. В проведённом эксперименте получена точность классификации 85 %. Представленные результаты вносят вклад в развитие методов компьютерного зрения в дерматологии и демонстрируют возможность использования предложенного метода в системах поддержки принятия врачебных решений при модифицированном анализе дерматоскопических узоров для диагностики новообразований кожи.

Methods for early non-invasive diagnosis of melanoma using computer vision systems are considered. Existing computer vision systems using neural networks for classifying dermoscopic images do not allow tracking which diagnostic features are used to assign images to a particular class, reducing physicians' trust in the results. As an alternative, an image analysis algorithm is proposed with the ability to present justifications for decisions made at each processing stage. The implementation of this algorithm is based on the medical algorithm of modified globular pattern analysis. A significant sign of malignancy in a neoplasm is its asymmetry. This criterion is widely used by doctors in visual assessment of skin neoplasms. However, currently, the issues of evaluating the symmetry of globular patterns in artificial intelligence systems are not fully studied and described. A method for evaluating the symmetry of globular patterns in artificial intelligence systems for diagnosing skin neoplasms has been developed. A dataset of dermoscopic images was formed, containing 50 images each of neoplasms with symmetrically and asymmetrically arranged globular patterns. Methods for isolating the neoplasm area and globules are described. A classification system based on a set of 12 quantitative symmetry characteristics has been developed. The Random Forest algorithm was used to classify images based on symmetry features. In the conducted experiment, a classification accuracy of 85% was achieved. The presented results contribute to the development of computer vision methods in dermatology and demonstrate the possibility of using the proposed method in clinical decision support systems for modified analysis of dermoscopic patterns for diagnosing skin neoplasms.

симметрия узора глобулискусственный интеллектдиагностика новообразований кожидерматоскопияsymmetry of the globule patternartifi cial intelligencediagnosis of skin neoplasmsdermatoscopyАвторы заявляют, что во время подготовки данной рукописи не было получено никаких средств, грантов или другой поддержки.The authors declare that no funds, grants, or other support were received during the preparation of this manuscript.ReferencesКаприн А. Д., Старинский В. В., Шахзадова А. О. (ред.) Злокачественные новообразования в России в 2021 году (заболеваемость и смертность). МНИОИ им. П. А. Герцена – филиал ФГБУ «НМИЦ радиологии» Минздрава России, Москва (2022).Kaprin A. D., Starinsky V. V., Shakhzadova A. O. (eds.): Malignant neoplasms in Russia in 2021 (morbidity and mortality). P. A. Hertsen Moscow Oncology Research Institute – branch of FSBI NMRRC of the Ministry of Health of Russia, Moscow (2022). (In Russ.)Seeja R. D., Suresh A. Deep learning based skin lesion segmentation and classifi cation of melanoma using support vector machine (SVM). Asian Pacifi c Journal of Cancer Prevention, 20(5), 1555–1561 (2019). https://doi.org/10.31557/APJCP.2019.20.5.1555Seeja R. D., Suresh A. Deep learning based skin lesion segmentation and classification of melanoma using support vector machine (SVM). Asian Pacific Journal of Cancer Prevention, 20(5), 1555–1561 (2019). https://doi.org/10.31557/APJCP.2019.20.5.1555Никитаев В. Г., Проничев А. Н., Тамразова О. Б., Сергеев В. Ю., Сельчук В. Ю., Козлов В. С., Лим А. О. Модель оценки неоднородности распределения характеристик глобул на изображениях новообразований кожи. Измерительная техника, (9), 62–67 (2021). https://doi.org/10.32446/0368-1025it.2021-9-62-67Nikitaev V. G., Pronichev A. N., Tamrazova O. B., Sergeev V. Yu., Selchuk V. Yu., Kozlov V. S., Lim A. O. Model for Estimating the Heterogeneity of the Distribution of Globule Characteristics in Images of Skin Neoplasms. Measurement Techniques, 64(9), 778–783 (2021). https://doi.org/10.1007/s11018-022-02003-wХисматуллина З. Р., Чеботарев В. В., Бабенко Е. А. Современные аспекты и перспективы применения дерматоскопии в дерматоонкологии. Креативная хирургия и онкология, 10(3), 241–248 (2020). https://doi.org/10.24060/2076-3093-2020-10-3-241-248Khismatullina Z. R., Chebotaryov V. V., Babenko E. A. Dermatoscopy in dermato-oncology: current state and perspectives. Creative Surgery and Oncology, 10(3), 241–248 (2020). (In Russ.) https://doi.org/10.24060/2076-3093-2020-10-3-241-248Poudel B. R., Bhattarai B., Niraula P., Khanal A. A deep neural network solution for malignant melanoma detection. International Journal of Advanced Research and Publications, 3(11), 18–25 (2019). https://www.researchgate.net/publication/337649359 (дата обращения: 17.08.2024).Poudel B. R., Bhattarai B., Niraula P., Khanal A. A deep neural network solution for malignant melanoma detection. International Journal of Advanced Research and Publications, 3(11), 18–25 (2019). https://www.researchgate.net/publication/337649359Соколов Д. В., Махсон А. Н., Демидов Л.В., Ворожцов Г. Н., Кузьмин С. Г., Соколов В. В. Дерматоскопия (эпилюминесцентная поверхностная микроскопия): in vivo диагностика меланомы кожи (обзор литературы). Сибирский онкологический журнал, (5), 63–67 (2008). https://elibrary.ru/jaqnbdSokolov D. V., Makhson A. N., Demidov L. V., Vorozhtsov G. N., Kuzmin S. G., Sokolov V. V. Dermatoscopy (epiluminescent superfcial microscopy): in vivo diagnosis of skin melanoma (literature review). Siberian Journal of Oncology, (5), 63–67 (2008). (In Russ.) https://elibrary.ru/jaqnbdДубенский В. В., Дубенский Вл. В. Новообразования кожи в практике дерматовенеролога. Вопросы эпидемиологии, этиологии и патогенеза, диагностики. Вестник дерматологии и венерологии, (6), 22–40 (2008). https://elibrary.ru/jvvocrDubensky V. V., Dubensky Vl. V. Skin neoplasms in the practice of dermatovenerologist. Issues of epidemiology, etiology and pathogenesis, diagnosis. Vestnik Dermatologii i Venerologii, (6), 22–40 (2008). (In Russ.) https://elibrary.ru/jvvocrKittler H., Rosendahl C., Cameron A., Tschandl P. Dermatoscopy: An algorithmic method based on pattern analysis. Maudrich, Vienna (2016).Kittler H., Rosendahl C., Cameron A., Tschandl P. Dermatoscopy: An algorithmic method based on pattern analysis. Maudrich, Vienna (2016).Никитаев В. Г., Проничев А. Н., Нагорнов О. В., Круглова Л. С., Сергеев В. Ю., Отченашенко А. И. Модель искусственного интеллекта для семантической сегментации новообразований на изображениях кожи. Медицинская техника, (1(343)), 26–28 (2024). https://elibrary.ru/jrzcgwNikitaev V. G., Pronichev A. N., Nagornov O. V., Kruglova L. S., Sergeev V. Y., Otchenashenko A. I. An artificial intelligence model for the semantic segmentation of neoplasms on images of the skin. Biomedical Engineering, 58(1), 36–39 (2024). https://doi.org/10.1007/s10527-024-10361-8Kittler H., Marghoob A. A., Argenziano G. et al. Standardization of terminology in dermoscopy/dermatoscopy: results of the third consensus conference of the international society of dermoscopy. Journal of the American Academy of Dermatology, 74(6), 1093–1106 (2016). https://doi.org/10.1016/j.jaad.2015.12.038Kittler H., Marghoob A. A., Argenziano G. et al. Standardization of terminology in dermoscopy/dermatoscopy: results of the third consensus conference of the international society of dermoscopy. Journal of the American Academy of Dermatology, 74(6), 1093–1106 (2016). https://doi.org/10.1016/j.jaad.2015.12.038Лазарев Ю. Д. Современные методы диагностики и лечения меланомы. Фундаментальные аспекты психического здоровья, (3), 6–10 (2018). https://elibrary.ru/ynrhnjLazarev Yu. D. Modern methods of diagnosis and treatment of melanoma. Fundamental Aspects of Mental Health, (3), 6–10 (2018). (In Russ.) https://elibrary.ru/ynrhnjCelebi M. E., Kingravi H. A., Uddin B., Iyatomi, H., Aslandogan Y. A., Stoecker W. V., Moss R. H. A methodological approach to the classification of dermoscopy images. Computerized Medical Imaging and Graphics, 31(6), 362–373 (2007). https://doi.org/10.1016/j.compmedimag.2007.01.003Celebi M. E., Kingravi H. A., Uddin B., Iyatomi, H., Aslandogan Y. A., Stoecker W. V., Moss R. H. A methodological approach to the classification of dermoscopy images. Computerized Medical Imaging and Graphics, 31(6), 362–373 (2007). https://doi.org/10.1016/j.compmedimag.2007.01.003Argenziano G., Soyer H. P., Chimenti S. et al. Dermoscopy of pigmented skin lesions: results of a consensus meeting via the Internet. Journal of the American Academy of Dermatology, 48(5), 679–693 (2003). https://doi.org/10.1067/mjd.2003.281Argenziano G., Soyer H. P., Chimenti S. et al. Dermoscopy of pigmented skin lesions: results of a consensus meeting via the Internet. Journal of the American Academy of Dermatology, 48(5), 679–693 (2003). https://doi.org/10.1067/mjd.2003.281Garnavi R., Aldeen M., Bailey J. Computer-aided diagnosis of melanoma using border- and wavelet-based texture analysis. IEEE Transactions on Information Technology in Biomedicine, 16(6), 1239–1252 (2012). https://doi.org/10.1109/TITB.2012.2212282Garnavi R., Aldeen M., Bailey J. Computer-aided diagnosis of melanoma using border- and wavelet-based texture analysis. IEEE Transactions on Information Technology in Biomedicine, 16(6), 1239–1252 (2012). https://doi.org/10.1109/TITB.2012.2212282Betta G., Leo G. Di, Fabbrocini G., Paolillo A., Scalvenzi M. Automated application of the “7-point checklist” diagnosis method for skin lesions: estimation of chromatic and shape parameters. 2005 IEEE Instrumentationand Measurement Technology Conference Proceedings, Ottawa, ON, Canada, 2005, pp. 1818–1822. https://doi.org/10.1109/IMTC.2005.1604486Betta G., Leo G. Di, Fabbrocini G., Paolillo A., Scalvenzi M. Automated Application of the “7-point checklist” Diagnosis Method for Skin Lesions: Estimation of Chromatic and Shape Parameters. 2005 IEEE Instrumentation and Measurement Technology Conference Proceedings, Ottawa, ON, Canada, 2005, pp. 1818–1822. https://doi.org/10.1109/IMTC.2005.1604486

The authors declare that there are no conflicts of interest present.