К.М. Параскевопуло¹, А.Н. Наркевич², К.А. Виноградов³

1–3 ФГБОУ ВО КрасГМУ им. проф. В.Ф. Войно-Ясенецкого Минздрава России (г. Красноярск, Россия)

Постановка проблемы. Создание систем поддержки принятия решения врачей, которые не обладают достаточным опытом или квалификацией для диагностики злокачественных новообразований кожи, может стать следующим этапом развития дерматоскопии. При создании таких систем необходимо заложить в основу алгоритмы искусственных нейронных сетей для выявления новообразований на полученных дерматоскопических цифровых изображениях кожи и телемедицинских технологий для передачи полученных результатов в специализированные центры.

Цель работы – построение и анализ работы сверточных искусственных нейронных сетей в распознавании злокачественных новообразований на цифровых изображениях кожи. 

Результаты. В исследовании было использовано 7088 цифровых изображений кожи с гистологически подтвержденным отсутствием или наличием злокачественных новообразований базы данных The International Skin Image Collaboration (ISIC), из них на 4881 изображении представлены доброкачественные новообразования и на 2207 – злокачественные. В модели исследуемых сверточных нейросетей был добавлен полносвязный слой нейронов, который объединял множество выходов из используемых моделей и два выходных нейрона, отвечающих за классификацию изображений в качестве злокачественного или доброкачественного образования. Оценка качества работы моделей сверточных нейронных сетей проводилась с использованием показателя точности определения класса изображения на обучающей, валидационной и тестовой выборках. Для данных показателей рассчитывался 95%-ный доверительный интервал. Наиболее высокие показатели точности на выборках были получены при обучении нейросетей, которые имеют предзагруженные веса, полученные посредством обучения на изображениях image-net, и были дообучены на цифровых изображениях кожи. Самые высокие показатели точности на тестовой выборке позволила получить архитектура сверточной нейронной сети ResNet50 – 83,61% [83,15; 84,03]. 

Практическая значимость. При построении и анализе работ различных архитектур сверточных нейронных сетей было установлено, что модель, построенная по типу ResNet50, в дальнейшем может быть использована в разработке систем поддержки принятия решения врача для диагностики злокачественных новообразований кожи.

Параскевопуло К.М., Наркевич А.Н., Виноградов К.А. Применение сверточных нейронных сетей для распознавания злокачественных новообразований на цифровых изображениях кожи // Технологии живых систем. 2021. T. 18. № 2. С. 31−38. DOI: https://doi.org/10.18127/j20700997-202102-04

1. Алексеева О.В., Россиев Д.А., Ильенкова Н.А. Применение искусственных нейронных сетей в дифференциальной диагностике рецидивирующего бронхита у детей // Сибирское медицинское обозрение. 2010. Т. 66. № 6. С. 75–79.
2. Сергеев Ю.Ю., Сергеев В.Ю. Применение дерматоскопии в практической дерматологии // Кремлевская медицина. Классический вестник. 2018. № 1. C. 8–15.
3. Сергеев Ю.Ю., Олисова О.Ю. Анализ обращаемости на дерматоскопический осмотр // Российский журнал кожных и венерических болезней. 2016. Т. 19. № 2. С. 107.
4. Тарасенко Г.Н., Кукушкина С.В., Тарасенко Ю.Г. Дерматоскопия: метод неинвазивной диагностики в практике дерматолога // Госпитальная медицина: Наука и практика. 2020. Т. 1. № 1. C. 13–16.
5. Bandic J., Kovacevic S., Karabeg R., Lazarov A., Opric D. Teledermoscopy for Skin Cancer Prevention: a Comparative Study of Clinical and Teledermoscopic Diagnosis. Acta informatica medica. 2020. V. 28. № 1. P. 37–41.
6. Brinker T.J., Hekler A., Enk A.H., Berking C., Haferkamp S., Hauschild A., Weichenthal M., Klode J., Schadendorf D., Holland-Letz T., Kalle C., Frohling S., Utikal J.S. Deep neural networks are superior to dermatologists in melanoma image classification. European journal of cancer. 2019. № 119. P. 11–17.
7. Chollet F.Xception: Deep Learning with Depthwise Separable Convolutions. Computer Vision and Pattern Recognition. 2016.
8. He K., Zhang X., Ren S., Sun J.Deep Residual Learning for Image Recognition. Computer Vision and Pattern Recognition. 2015.
9. He K., Zhang X., Ren S., Sun J. Identity Mappings in Deep Residual Networks. Computer Vision and Pattern Recognition. 2016.
10. Howard A.G., Zhu M., Chen B., Kalenichenko D., Wang W., Weyand W., Andreetto M., Adam H. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. Computer Vision and Pattern Recognition. 2017.
11. Huang G., Liu Z., Maaten L., Weinberger K.Q. Densely Connected Convolutional Networks. Computer Vision and Pattern Recognition. 2016.
12. Sandler M., Howard A., Zhu M., Zhmoginov A., Chen L. MobileNetV2: Inverted Residuals and Linear Bottlenecks. The IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2018.
13. Sirmonyan K., Zisserman A.Very Deep Convolutional Networks for Large-Scale Image Recognition. Computer Vision and Pattern Recognition. 2014.
14. Sivaraj S., Malmathanraj R., Palanisamy P. Detecting anomalous growth of skin lesion using threshold-based segmentation algorithm and Fuzzy K-Nearest Neighbor classifier. Journal of Cancer Research and Therapeutics. 2020. V. 16. № 1. P. 40–52.
15. Szegedy C., Vanhoucke V., Ioffe S., Shlens J., Wojna Z.Rethinking the Inception Architecture for Computer Vision. Computer Vision and Pattern Recognition. 2015.
16. Szegedy C., Ioffe S., Vanhoucke V., Alemi A.Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning. Computer Vision and Pattern Recognition. 2016.  
17. Zoph B., Vasudevan V., Shlens J., Le Q.V.Learning Transferable Architectures for Scalable Image Recognition. Computer Vision and Pattern Recognition. 2015.