Архив номеров
Медицинская Техника / Медицинская техника №5, 2018 / с. 40-44

Применение технологий глубокого обучения для диагностики кожных заболеваний на основе нейронных сетей

Д.А. Гаврилов, А.В. Мелерзанов, Н.Н. Щелкунов, Э.И. Закиров


Аннотация

Меланома является одним из самых опасных видов рака. Точность визуальной диагностики меланомы напрямую зависит от квалификации и специализации врача. Современное развитие технологий в области обработки изображений и машинного обучения позволяет создать системы на основе искусственных нейронных сверточных сетей, превосходящие человека в задачах классификации объектов, в том числе в случае диагностики злокачественных новообразований кожи. В настоящей статье представлен алгоритм ранней диагностики меланомы на основе искусственных глубоких сверточных нейронных сетей. Предлагаемый алгоритм позволяет различать доброкачественные и злокачественные новообразования кожи с точностью не менее 91 % при просмотре дерматоскопических изображений.


Вернуться к содержанию

Сведения об авторах

Дмитрий Александрович Гаврилов, канд. техн. наук, доцент, кафедра радиоэлектроники и прикладной информатики, руководитель, лаборатория цифровых систем специального назначения,
Александр Викторович Мелерзанов, канд. мед. наук, декан, факультет биологической и медицинской физики,
Николай Николаевич Щелкунов, канд. техн. наук, зам. заведующего кафедрой, кафедра радиоэлектроники и прикладной информатики,
Эмиль Ильдарович Закиров, студент, стажер, лаборатория цифровых систем специального назначения, ФГАОУ ВО «Московский физико-технический институт (государственный университет)», г. Долгопрудный, Московская обл.,

Список литературы

1. Рекомендации ВОЗ [electronic resource]. 2005 / http:// www.who.int/mediacentre/news/notes/2005/np07/ru/ (accessed: 17.01.2018).
2. Гидранович А.В., Луд Н.Г., Шляхтунов Е.А., Луд Л.Н., Жу- ковец А.Г., Прокошин А.В., Кожар В.Л. Перспектива использования экспертных систем в ранней диагностике меланомы кожи // Вестник ВГМУ. 2015. Т. 14. № 2. С. 46-55.
3. Козлов С.В., Неретин Е.Ю., Куколкина В.В. Перспективы применения «машинного зрения» в цифровой дерматоскопии при подозрении на меланому кожи // Саратовский научно-медицинский журнал. 2014. Т. 10. № 2. С. 6-10.
4. Козлов С.В., Неретин Е.Ю., Куколкина В.В. Диагностика мелномы кожи с использованием экспертной системы // Вестник новых медицинских технологий. 2014. Т. 8. № 1. С. 1-4.
5. 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. Vol. 131. № 3. РP. 286-291.
6. The ABCDEs of Melanoma [electronic resource] / https:// www.melanoma.org/understand-melanoma/diagnosing- melanoma/detection-screening/abcdes-melanoma (accessed: 24.01.2018).
7. Friedman R.J., Rigel D.S., Kopf A.W. Early detection of malignant melenoma: The role of physician exsamination and self-examination of the skin // CA Cancer J. Clin. 1985. № 35. PP. 130-151.
8. Панкратов В.Г., Ревотюк А.А. Дерматоскопия пигментных образований кожи – неинвазивный тест для дифференциальной диагностики меланомы кожи // Медицинские ново- сти. 2011. № 4. С. 6-12.
9. Jain S., Jagtap V., Pise N. Computer aided melanoma skin cancer detection using image processing // Procedia Comput. Sci. Elsevier Masson SAS. 2015. Vol. 48. PP. 736-741.
10. Чернавина В.А. Дерматоскопия как социально значимое исследование // Здравоохранение Югры: опыт и инновации. 2015. № 1. С. 49-53.
11. Gavrilov D.A. Artificial Intelligence based skin lesions photo recognition / AMEC LIVE and VISAGE Joint Meeting. Monaco. 2017.
12. Цветкова Л.А. Технологии искусственного интеллекта как фактор цифровизации экономики России и мира // Экономика науки. 2017. Т. 3. № 2. С. 126-144.
13. Трубицына М.В. Меланома кожи: проблемы и методы клинической диагностики / Материалы XIII Всероссийской Бурденковской студенческой научной конференции. – Воронеж: Редакция журнала «Молодежный инновационный вестник», 2017. С. 20-22.
14. ISIS Archiv [electronic resource]. Kitware, Inc. / https://isic- archive.com/ (accessed: 24.01.2018).
15. Mishraa N.K., Celebi M.E. An Overview of Melanoma Detection in Dermoscopy Images Using Image Processing and Machine Learning [electronic resource]. 2016 / https://arxiv.org/ ftp/arxiv/papers/1601/1601.07843.pdf (accessed: 29.01.2018).
16. Torrey L., Shavlik J. Transfer Learning / Handbook of Research on Machine Learning Applications and Trends: Algorithms, Methods, and Techniques. IGI Global. 2009. PP. 242-264.
17. Shlens J. Train your own image classifier with Inception in TensorFlow [electronic resource]. 2016 / https:// research.googleblog.com/2016/03/train-your-own-image- classifier-with.html (accessed: 24.01.2018).
18. Szegedy C. et al. Rethinking the Inception Architecture for Computer Vision [electronic resource]. 2015 / http://arxiv.org/ abs/1512.00567 (accessed: 25.01.2018).
19. ImageNet Large Scale Visual Recognition Competition (ILSVRC) [electronic resource] / http://www.image-net.org/ challenges/LSVRC/ (accessed: 13.07.2018).
20. Russakovsky O., Deng J., Su H., Krause J., Satheesh S., Ma S., Huang Z., Karpathy A., Khosla A., Bernstein M., Berg A.C., Fei-Fei L. ImageNet Large Scale Visual Recognition Challenge // Int. J. Comput. Vis. 2015. Vol. 115. № 3. PP. 211-252.
21. Соколова А.В., Малишевская Н.П. Ошибки в диагностике меланоцитарных новообразований кожи [электронный ресурс] // Современные проблемы науки и образования. 2018. № 2 / http://www.science-education.ru/ru/article/view?id=27502 (accessed: 04.09.2018).
22. Мордовцева В.В., Волгин В.Н., Кахишвили Н.Н. Доброкачественные образования кожи, представляющие трудности для диагностики // Дерматология. 2012. № 1. С. 26-29.