В.Г. Никитаев1, А.Н. Проничев2, О.В. Нагорнов3, В.Ю. Сергеев4, А.В. Козырева5

1–3 Национальный исследовательский ядерный университет «МИФИ» (Москва, Россия)
4 Центральная государственная медицинская академия Управления делами Президента РФ (Москва, Россия)
5 АО «Научно-исследовательский институт технической физики и автоматизации» ГК «Росатом» (Москва, Россия)
1 vgnikitayev@mephi.ru, 2 anpronichev@mephi.ru, 3 ovnagornov@mephi.ru, 4 vasyur@yandex.ru, 5a.v.kozyreva2015@gmail.com

Постановка проблемы. Сетевые структуры – один из важных источников диагностической информации в дерматоскопии. Проблема состоит в выявлении сетевой структуры на дерматоскопическом изображении. Трудности обусловлены сложностью изображений (до 16 миллионов цветовых оттенков при 24 битовой кодировке цвета), большой вариативностью объектной среды, дефицитом высококвалифицированных врачей диагностов.

Цель. Разработать междисциплинарную модель пигментной сети для формирования эталонной базы знаний в приборах диагностики заболеваний кожи на основе анализа дерматоскопических изображений.

Результаты. Проведено научное обоснование междисциплинарной модели пигментной сети. Предложена модель, позволяющая количественно описать пигментную сеть, переводя математические, биологические, клинические критерии типичности и атипичности в цифровые критерии, пригодные для использования в приборах автоматизированной диагностики на основе искусственного интеллекта.

Практическая значимость. Предложенная в работе модель пигментной сети применима для формирования эталонной базы знаний в приборах дерматологической диагностики, что способствует повышению точности и воспроизводимости диагностических решений. В развитие настоящей темы планируется интеграция разработанной междисциплинарной модели пигментной сети в единую систему поддержки принятия решений в дерматологии в приборах цифровой дерматологии.

Никитаев В.Г., Проничев А.Н., Нагорнов О.В., Сергеев В.Ю., Козырева А.В. Междисциплинарная модель пигментной сети на дерматоскопических изображениях в приборах диагностики заболеваний кожи // Биомедицинская радиоэлектроника. 2025.
T. 28. № 5. С. 14−17. DOI: https://doi.org/10.18127/j15604136-202505-03

1. De Pinto G. et al. Global trends in cutaneous malignant melanoma incidence and mortality. Melanoma Research. 2024. V. 34. № 3. P. 265–275.
2. Jakhar D., Kaur I. Dermatoscopy: What Does It Add? Critical Thinking in Contemporary Dermatology: Cognitive Essays. Singapore: Springer Nature Singapore. 2024. P. 87–105.
3. Soglia S. et al. Understanding the anatomy of dermoscopy of melanocytic skin tumours: correlation in vivo with line‐field optical coherence tomography. Journal of the European Academy of Dermatology and Venereology. 2024. V. 38. № 6. P. 1191–1201.
4. Nikitaev V.G., Pronichev A.N., Nagornov O.V., Sergeev V.Yu., Kruglova L.S., Otchenashenko A.I., Deeva O.K. The method for evaluating the symmetry of the globule pattern in artificial intelligence systems for the diagnosis of skin neoplasms. Measurement Techniques. 2024. V. 67. № 9. P. 706–714.
5. Davydov M.I., Sel’chuk V.Y., Nikitaev V.G., Nagornov O.V., Pronichev A.N., Dmitrieva V.V., Polyakov E.V., Rasulov A.O., Kononets V.P., Melikhov S.A., Akimov I.S., Aidunbekov Z.M., Kadashev V.I., Lavrova A.A., Golovanova V.K., Pashnuk A.A., Strigin V.E. Physical research methods in expert systems of oncological disease diagnostics. Bulletin of the Lebedev Physics Institute. 2015. V. 42 (8). P. 237–239.
6. Nikitaev V.G., Nagornov O.V., Pronichev A.N., Polyakov E.V., Dmitrieva V.V. The blood smear image processing for the acute leukemia diagnostics. International Journal of Biology and Biomedical Engineering. 2016. V. 10. P. 109–114.
7. Ma D. et al. Implementation of computer vision technology based on artificial intelligence for medical image analysis. International Journal of Computer Science and Information Technology. 2023. V. 1. № 1. P. 69–76.