Автоматизированная диагностика меланомы кожи на основе математической модели искусственной сверточной нейронной сети

В последние 10 лет произошла революция в области компьютерного анализа изображений и распознавания образов. Современные алгоритмы компьютерного зрения сравнялись и даже в некоторых задачах превзошли возможности человека. Данный рывок во многом обязан появлению и развитию технологии глубоких сверточных нейросетей. Последние наработки в области обработки изображений и машинного обучения открывают перспективу создания систем на основе искусственных нейронных сверточных сетей, превосходящих человека в задачах классификации изображений, в частности, при решении задач анализа различных медицинских изображений. Среди наиболее перспективных применений: автоматизированное распознавание и классификация кожных заболеваний, обнаружение патологий на рентгеновских, КТ, МРТ, УЗИ-изображениях. В предлагаемом проекте сфокусируем свое внимание на диагностике заболеваний кожи человека. В настоящий момент меланома является одним из самых опасных видов злокачественных новообразований кожи с большим количеством смертельных исходов из-за быстрого метастазирования, с трудом поддается лечению. Развитие технологий компьютерного зрения позволило разработать системы технического зрения, позволяющие осуществлять детектирование и классификацию кожных заболеваний с качеством, сопоставимым и в ряде случаев превышающим значения, достигаемые человеком. В данной работе авторы предлагают алгоритм для первичной диагностики меланомы кожи на основе глубоких нейронных сетей, достигающий точности определения меланомы в 91% на дерматоскопических изображениях. В настоящий момент алгоритм реализован программно и используется в тестовой версии онлайн-системы детектирования и классификации кожных заболеваний, доступной по адресу skincheckup.online. Благодаря данной разработке открывается перспектива значительного увеличения доли населения, подвергающегося профилактическому осмотру на предмет наличия кожных заболеваний. Наравне с этим, дополнительный источник информации для профильных специалистов также может сыграть роль в постановке верного диагноза.

1. Фрадкин C.З., Залуцкий И.В. Меланома кожи. Минск: Беларусь, 2000, 221 с.

2. World Health Organization. 2014. pp. Chapter 5.14. Доступно по: https://inovelthng.files.wordpress.com/2016/11/world-cancerreport.pdf

3. Binder M, Schwarz M, Winkler A, Steiner A, Kaider A, Wolff K, Pehamberger H. “Epiluminescence microscopy. A useful tool for the diagnosis of pigmented skin lesions for formally trained dermatologists. Arch Dermatol. 1995 Mar;131(3):286-91.

4. American Melanoma Foundation. Доступно по: https://www.myamf.org/melanoma-prevention/#ABCDE’s%20of%20Melanoma

5. Shivangi J, Vandana J, Nitin P. Computer Aided Melanoma Skin Cancer Detection Using Image Processing. Procedia Computer Science. 2015;48:735-40. DOI: 10.1016/j.procs.2015.04.209

6. ISIC, “ISIC Archieve: The International Skin Imaging Collaboration: Melanoma Project,” ISIC, 5 Jan 2016. [Online]. Available: https://isic-archive.com/#. [Accessed 20 Jan 2016].

7. An Overview of Melanoma Detection in Dermoscopy Images Using Image Processing and Machine Learning. Доступно по: https://www.researchgate.net/publication/299612436_An_Overview_of_Melanoma_Detection_in_Dermoscopy_Images_Using_Image_Processing_and_Machine_Learning

8. Gavrilov DA. Artifical intelligence-Al image recognition for helthcare. 16 AMWC. Monaco, 2018. P. 84-85.

9. Gavrilov DA. Artificial Intelligence based skin lesions photo recognition. AMEC LIVE and VISAGE Joint Meeting. Monaco, 2017.