Медицинская Техника / Медицинская техника №2, 2025 / с. 3-6

Модель изображений бесструктурных областей для анализа пигментных узоров с применением искусственного интеллекта в онкодерматологии

В.Г. Никитаев, В.Ю. Сергеев, Н.А. Кегелик, В.С. Козлов

Аннотация

Работа посвящена созданию новой модели бесструктурных областей пигментных новообразований кожи, предназначенной для применения в программно-аппаратных системах распознавания узоров в онкодерматологии. Проблема, на решение которой направлена разработка модели, состоит в трудной формализации метафорического врачебного определения данного элемента пигментных узоров. Предложенная модель бесструктурной области основана на анализе текстурных характеристик дерматоскопических изображений. В исследовании применялась выборка из 400 снимков, содержащих различные дерматоскопические структуры и бесструктурные области. Экспериментальное исследование показало адекватность предложенной модели, позволяющей различать бесструктнурные области и прочие структуры на дерматоскопических снимках с точностью до 92,2 %.

Вернуться к содержанию

Сведения об авторах

Валентин Григорьевич Никитаев, д-р техн. наук, зав. кафедрой, кафедра «Компьютерные медицинские системы», ФГАОУ ВО «Национальный исследовательский ядерный университет «МИФИ»,

Василий Юрьевич Сергеев, канд. мед. наук, научный руководитель, ООО «Клиника дерматологии»,

Николай Александрович Кегелик, студент,

Владимир Сергеевич Козлов, ассистент, кафедра «Компьютерные медицинские системы», ФГАОУ ВО «Национальный исследовательский ядерный университет «МИФИ», г. Москва,

e-mail: VSKozlov@mephi.ru

Список литературы

1. Arnold M., Singh D., Laversanne M., Vignat J., Vaccarella S., Meheus F., Cust A.E., De Vries E., Whiteman D.C., Bray F. Global burden of cutaneous melanoma in 2020 and projections to 2040 // JAMA Dermatology. 2022. Vol. 158. № 5. PP. 495-503.

2. De Pinto G., Mignozzi S., La Vecchia C., Levi F., Negri E., Santucci C. Global trends in cutaneous malignant melanoma incidence and mortality // Melanoma Research. 2024. Vol. 34. № 3. PP. 265-275.

3. Alsayyah A. Differentiating Between Early Melanomas and Melanocytic Nevi: A State-of-the-Art Review // Pathology- Research and Practice. 2023. Vol. 249. P. 154734.

4. Силина Л.В., Хвостовой В.В., Овсяников В.В., Зубцов М.С. Сравнительный анализ эффективности применения дерматоскопических алгоритмов Chaos and Clues, Triage Amalgamated Dermoscopic Algorithm и методики BLINCK в диагностике меланомы и других злокачественных опухолей кожи в зависимости от наличия предыдущего опыта дерматоскопии // Современная онкология. 2020. Т. 22. № 3. С. 100-104.

5. Kittler H., Rosendahl C., Cameron A., Tschandl P. Dermatoscopy. 2nd Edition. – Facultas, Austria, 2016. PP. 53-62.

6. Zhang J., Zhong F., He K., Ji M., Li S., Li C. Recent Advancements and Perspectives in the Diagnosis of Skin Diseases Using Machine Learning and Deep Learning: A Review // Diagnostics. 2023. Vol. 13. № 23. P. 3506.

7. Nikitaev V.G. Medical and biological measurements: Experimental high-technology information-measuring complexes of cancer diagnosis: Problems and key points of the construction methodology // Measurement Techniques. 2015. Vol. 58. № 2. PP. 214-218.

8. Nasir Y., Kadian K., Sharma A., Dwivedi V. Interpretable machine learning for dermatological disease detection: Bridging the gap between accuracy and explainability // Computers in Biology and Medicine. 2024. Vol. 179. P. 108919.

9. Никитаев В.Г., Проничев А.Н., Сергеев В.Ю., Козлов В.С. Модель распознавания гипер- и гипопигментированных бесструктурных зон в пигментированных новообразованиях кожи // Биомедицинская радиоэлектроника. 2024. Т. 27. № 5. С. 56-62.

10. ООО «НПО «Биофотоника». Регистрационное удостоверение на медицинское изделие от 18.10.2017 № РЗН 2017/6363.

11. Humeau-Heurtier A. Color texture analysis: A survey // IEEE Access. 2022. Vol. 10. PP. 107993-108003.

12. Максимова А.С., Саматов Д.С., Мерзликин Б.С. и др. Возможности радиомического анализа МРТ изображений сердца в кинорежиме в определении постинфарктных областей миокарда левого желудочка // Digital Diagnostics. 2024. Т. 5. № 4. С. 682-694.

13. Zhou H., Wang X., Zhu R. Feature selection based on mutual information with correlation coefficient // Applied Intelligence. 2022. Vol. 52. № 5. PP. 5457-5474.

14. Hwang S.W., Chung H., Lee T. et al. Feature importance measures from random forest regressor using near-infrared spectra for predicting carbonization characteristics of kraft lignin-derived hydrochar // Journal of Wood Science. 2023. Vol. 69. № 1. P. 1