Метод оценки симметрии узора глобул в системах искусственного интеллекта для диагностики новообразований кожита для диагностики новообразований кожи

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.

1. Каприн 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).

2. 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.2019.20.5.1555

3. Никитаев 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.2021-9-62-67

4. Хисматуллина 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/10.24060/2076-3093-2020-10-3-241-248

5. 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/337649359 (дата обращения: 17.08.2024).

6. Соколов 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/jaqnbd

7. Дубенский 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/jvvocr

8. Kittler H., Rosendahl C., Cameron A., Tschandl P. Dermatoscopy: An algorithmic method based on pattern analysis. Maudrich, Vienna (2016).

9. 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/jrzcgw

10. Kittler 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.2015.12.038

11. Лазарев Ю. Д. Современные методы диагностики и лечения меланомы. Фундаментальные аспекты психического здоровья, (3), 6–10 (2018). https://elibrary.ru/ynrhnj

12. Celebi 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.2007.01.003

13. Argenziano 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.2003.281

14. Garnavi 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.2012.2212282

15. Betta 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.2005.1604486