sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical University10.21122/2309-4923-2024-1-50-58sapi-660Research ArticleОбработка информации и принятие решенийData processing and decision–makingСегментация дерматоскопических изображений новообразований кожи. Сравнение методикSegmentation of dermatoscopic images of skin lesions. Comparison of methodsСмалюкА. Ф.SmalyukA. F.

Смалюк Антон Федорович, кандидат физико-математических наук. Ведущий научный сотрудник научно-исследовательской лаборатории Механики материалов и динамики технических систем 

г. Минск

 

Smalyuk A.F. Phd. Leading Scientist of the Research Laboratory of Mechanics of Materials and Dynamics of Technical Systems

Minsk

dsmsm@bntu.byДешкоМ. С.DzeshkaM. S.

Дешко Мария Степановна, магистрант кафедры «Программное обеспечение информационных систем и технологий»0

г. Минск

Dzeshka M. S. Master’s student of the Department “Software of Information Systems and Technologies

Minsk

fitr@bntu.byКупчиковаИ. Д.KupchykavaI. D.

Купчикова Ирина Дмитриевна, студент кафедры «Цифровых систем и технологи»

г. Минск

Kupchykava I.D., student of the Department “Digital Systems and Technologies”

Minsk

irinakupchikova@outlook.comБелорусский национальный технический университеБеларусьBelarusian National Technical UniversityBelarusБелорусский национальный технический университетБеларусьBelarusian National Technical UniversityBelarusИнститут бизнеса Белорусского государственного университетаБеларусьSchool of business of Belarusian State UniversityBelarus202408052024015058Copyright © Смалюк А.Ф., Дешко М.С., Купчикова И.Д., 20242024Смалюк А.Ф., Дешко М.С., Купчикова И.Д.Smalyuk A.F., Dzeshka M.S., Kupchykava I.D.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sapi.bntu.by/jour/article/view/660

В работе рассмотрен ряд методик сегментации дерматоскопических изображений новообразований кожи для выявления областей, занимаемых данными новообразованиями. Выполнение сегментации необходимо как первый этап большинства методик компьютерной диагностики злокачественности новообразований. Ряд методик, таких как ABCDE, используют форму новообразования как один из критериев постановки диагноза, для других, таких как использование сверточных нейроных сетей, выделение новообразования позволяет повысить точность получаемых результатов. В работе рассмотрены три способа сегментации: пороговая обработка с использованием метода Оцу для вычисления величины порога, сверточная нейронная сеть, построенная по архитектуре U-net, и аналогичная сверточная нейронная сеть с добавленным механизмом внимания. Рассмотрены достоинства и недостатки каждой из методик, а также возможности совместного их применения для получения наилучших результатов сегментации.

The work discusses a number of techniques for segmenting dermoscopic images of skin lesions to identify the areas occupied by these lesions. Segmentation is necessary as the first stage of most methods of computer diagnostics of malignancy of neoplasms. A number of techniques, such as ABCDE, use the shape of the tumor as one of the criteria for making a diagnosis; for others, such as the use of convolutional neural networks, identifying the tumor allows one to increase the accuracy of the results obtained. The work discusses three methods of segmentation: thresholding using Otsu's method to calculate the threshold value, a convolutional neural network built on the U-net architecture, and a similar convolutional neural network with an added attention mechanism. The advantages and disadvantages of each method are considered, as well as the possibility of using them together to obtain the best segmentation results.

The paper considers the application of an algorithm based on a morphological projector for determining structural differences for comparing dermoscopic images. This will allow to identify changes that have occurred in skin lesions over time, for a more accurate diagnosis of their malignancy. The proposed algorithm makes it possible to detect differences in images even if there is a significant difference in the brightness and color levels of the compared images, and also ignores small insignificant details, such as noise, dermatoscope optics marks, hair, etc. A method for correcting the desynchronization of images using the structural similarity index as a similarity metric, and the sine-cosine algorithm as an optimization algorithm is proposed. The proposed algorithms were tested on dermatoscopic images and the possibility of their application was demonstrated.

меланомановообразование кожидерматоскопсегментацияметод Оцупороговая обработкасверточная нейронная сетьмеханизм вниманияmelanomaskin lesiondermatoscopesegmentationOtsu methodthresholdingconvolutional neural networkattention mechanismReferencesЖуковец А.Г., Океанов А.Е., Моисеев П.И. Прокошин А.В. Меланома кожи в Республике Беларусь: эпидемиология, диагностика и результаты лечения // Онкологический журнал. – 2017. – Т. 11, № 1. – С. 35-46.Жуковец А.Г., Океанов А.Е., Моисеев П.И. Прокошин А.В. Меланома кожи в Республике Беларусь: эпидемиология, диагностика и результаты лечения // Онкологический журнал. – 2017. – Т. 11, № 1. – С. 35-46.Rigel DS, Russak J, Friedman R. The evolution of melanoma diagnosis: 25 years beyond the ABCDs. CA Cancer J Clin. 2010 Sep-Oct;60(5):301-16.Rigel DS, Russak J, Friedman R. The evolution of melanoma diagnosis: 25 years beyond the ABCDs. CA Cancer J Clin. 2010 Sep-Oct;60(5):301-16.Duarte AF, Sousa-Pinto B, Azevedo LF, Barros AM, Puig S, Malvehy J, Haneke E, Correia O. Clinical ABCDE rule for early melanoma detection. Eur J Dermatol. 2021 Dec 1;31(6):771-778.Duarte AF, Sousa-Pinto B, Azevedo LF, Barros AM, Puig S, Malvehy J, Haneke E, Correia O. Clinical ABCDE rule for early melanoma detection. Eur J Dermatol. 2021 Dec 1;31(6):771-778.Mabrouk MS, Sayed AY, Afifi HM, Sheha MA, Sharwy A. Fully Automated Approach for Early Detection of Pigmented Skin Lesion Diagnosis Using ABCD. J Healthc Inform Res. 2020 Mar 3;4(2):151-173.Mabrouk MS, Sayed AY, Afifi HM, Sheha MA, Sharwy A. Fully Automated Approach for Early Detection of Pigmented Skin Lesion Diagnosis Using ABCD. J Healthc Inform Res. 2020 Mar 3;4(2):151-173.Core Java: Fundamentals, Volume 1 (Oracle Press Java) / Cay Horstmann. – Oracle Press, 2021. – 944 p.Core Java: Fundamentals, Volume 1 (Oracle Press Java) / Cay Horstmann. – Oracle Press, 2021. – 944 p.N. Otsu. A threshold selection method from gray-level histograms (англ.) // IEEE Trans. Sys., Man., Cyber.: journal. – 1979. – Vol. 9. – P. 62-66.N. Otsu. A threshold selection method from gray-level histograms (англ.) // IEEE Trans. Sys., Man., Cyber.: journal. – 1979. – Vol. 9. – P. 62-66.Ronneberger, Olaf & Fischer, Philipp & Brox, Thomas. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. LNCS. 9351. 234-241.Ronneberger, Olaf & Fischer, Philipp & Brox, Thomas. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. LNCS. 9351. 234-241.Шолле Франсуа. Глубокое обучение на Python. 2-е межд. издание. СПб. : Питер, 2023. – 576 с.Шолле Франсуа. Глубокое обучение на Python. 2-е межд. издание. СПб. : Питер, 2023. – 576 с.Oktay, Ozan et al. “Attention U-Net: Learning Where to Look for the Pancreas.” ArXiv abs/1804.03999 (2018): n. pagOktay, Ozan et al. “Attention U-Net: Learning Where to Look for the Pancreas.” ArXiv abs/1804.03999 (2018): n. pag

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