Сегментация дерматоскопических изображений новообразований кожи. Сравнение методик


https://doi.org/10.21122/2309-4923-2024-1-50-58

Полный текст:




Аннотация

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.


Об авторах

А. Ф. Смалюк
Белорусский национальный технический университе
Беларусь

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

г. Минск

 



М. С. Дешко
Белорусский национальный технический университет
Беларусь

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

г. Минск



И. Д. Купчикова
Институт бизнеса Белорусского государственного университета
Беларусь

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

г. Минск



Список литературы

1. 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.

2. 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.

3. 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.

4. 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.

5. Core Java: Fundamentals, Volume 1 (Oracle Press Java) / Cay Horstmann. – Oracle Press, 2021. – 944 p.

6. N. Otsu. A threshold selection method from gray-level histograms (англ.) // IEEE Trans. Sys., Man., Cyber.: journal. – 1979. – Vol. 9. – P. 62-66.

7. Ronneberger, Olaf & Fischer, Philipp & Brox, Thomas. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. LNCS. 9351. 234-241.

8. Шолле Франсуа. Глубокое обучение на Python. 2-е межд. издание. СПб. : Питер, 2023. – 576 с.

9. Oktay, Ozan et al. “Attention U-Net: Learning Where to Look for the Pancreas.” ArXiv abs/1804.03999 (2018): n. pag


Дополнительные файлы

Для цитирования: Смалюк А.Ф., Дешко М.С., Купчикова И.Д. Сегментация дерматоскопических изображений новообразований кожи. Сравнение методик. «Системный анализ и прикладная информатика». 2024;(1):50-58. https://doi.org/10.21122/2309-4923-2024-1-50-58

For citation: Smalyuk A.F., Dzeshka M.S., Kupchykava I.D. Segmentation of dermatoscopic images of skin lesions. Comparison of methods. «System analysis and applied information science». 2024;(1):50-58. (In Russ.) https://doi.org/10.21122/2309-4923-2024-1-50-58

Просмотров: 52

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2309-4923 (Print)
ISSN 2414-0481 (Online)