(45-5) 12 * << * >> * Русский * English * Содержание * Все выпуски

Система нейросетевой классификации пигментных новообразований кожи с предварительным удалением волос на фотографиях
П.А. Ляхов 1, У.А. Ляхова 1

1 Северо-Кавказский федеральный университет, 355017, г. Ставрополь, ул. Пушкина, д. 1

 PDF, 1640 kB

DOI: 10.18287/2412-6179-CO-863

Страницы: 728-735.

Аннотация:
В статье предложена система нейросетевой классификации пигментных новообразований кожи с этапом предварительной обработки для удаления волосяных структур с изображений. Основным отличием предложенной системы является применение этапа предварительной обработки изображений для идентификации местоположения волос и их дальнейшего удаления. Данный этап позволяет подготовить дерматоскопические изображения для дальнейшего анализа с целью проведения автоматизированной классификации и диагностики пигментных кожных новообразований. Моделирование проводилось с использованием пакета прикладных программ MatLAB R2020b на клинических дерматоскопических изображениях из международного открытого архива ISIC Melanoma Project. Предложенная система позволила повысить точность распознавания изображений пигментных поражений кожи по 10 диагностически важным категориям до 80,81%. Использование предложенной системы распознавания и классификации дерматоскопических изображений пигментных поражений специалистами даст возможность увеличить эффективность диагностики по сравнению с методами визуальной постановки диагноза, а также позволит начать лечение на более ранней стадии заболевания, что напрямую влияет на процентную выживаемость и выздоровление пациентов.

Ключевые слова:
цифровая обработка изображений, сверточные нейронные сети, дерматоскопические изображения, пигментные поражения кожи, очистка от волос, меланома.

Благодарности
Работа поддержана Российским фондом фундаментальных исследований (проект № 19-07-00130 А) и грантом президента Российской Федерации (проект МК-3918.2021.1.6). Авторы выражают благодарность СКФУ за помощь в рамках проекта поддержки малых научных групп и отдельных ученых.

Цитирование:
Ляхов, П.А. Система нейросетевой классификации пигментных новообразований кожи с предварительным удалением волос на фотографиях / П.А. Ляхов, У.А. Ляхова // Компьютерная оптика. – 2021. – Т. 45, № 5. – С. 728-735. – DOI: 10.18287/2412-6179-CO-863.

Citation:
Lyakhov PA, Lyakhova UA. Neural network classification system for pigmented skin neoplasms with preliminary hair removal in photographs. Computer Optics 2021; 45(5): 728-735. DOI: 10.18287/2412-6179-CO-863.

Литература:
  1. Fitzpatrick, T.B. Soleil et peau [In French] / T.B. Fitzpatrick // Journal de Medecine Esthetique. – 1975. – Vol. 2. – P. 33-34.
  2. Fitzpatrick, T.B. The validity and practicality of sun-reactive skin types I through VI / T.B. Fitzpatrick // Archives of Dermatology. – 1988. – Vol. 124, Issue 6. – P. 869-871.
  3. Pathak, M.A. Sunlight and melanin pigmentation / M.A. Pathak, K. Jimbow, G. Szabo, T.B. Fitzpatrick. – In: Photochemical and photobiological reviews. Vol. 1 / ed. by K.C. Smith. – New York, London: Plenum Press, 1976. – P. 211-239.
  4. Rogers, H.W. Incidence estimate of nonmelanoma skin cancer in the United States, 2006 / H.W. Rogers // Archives of Dermatology. – 2010. – Vol. 146, Issue 3. – P. 283-287.
  5. Stern, R.S. Prevalence of a history of skin cancer in 2007: results of an incidence-based model / R.S. Stern // Archives of Dermatology. – 2010. – Vol. 146, Issue 3. – P. 279-282.
  6. Шляхтунов, Е.А. Рак кожи: современное состояние проблемы / Е.А. Шляхтунов, А.В. Гидранович, Н.Г. Луд, Л.Н. Луд, В.Л. Кожар, А.В. Прокошин // Вестник Витебского государственного медицинского университета. – 2014. – Т. 13, № 3. – С. 20-28.
  7. Братченко, И.А. Гиперспектральная визуализация патологий кожи в видимой области / И.А. Братченко, М.В. Алонова, О.О. Мякинин, А.А. Морятов, С.В. Козлов, В.П. Захаров // Компьютерная оптика. – 2016. – T. 40, № 2. – С. 240-248. – DOI: 10.18287/2412-6179-2016-40-2-240-248.
  8. Litjens, G. A survey on deep learning in medical image analysis / G. Litjens, T. Kooi, B.E. Bejnordi, A.A.A. Setio, F. Ciompi, M. Ghafoorian // Medical Image Analysis. – 2017. – Vol. 42. – P. 60-88.
  9. Alencar, F.E.S. Development of a system classification of images dermoscopic for mobile devices / F.E.S. Alencar, D.C. Lopes, F.M.M. Neto // IEEE Latin America Transactions. – 2016. – Vol. 14, Issue 1. – P. 325-330.
  10. Ramlakhan, K. A mobile automated skin lesion classification system / K. Ramlakhan, Y. Shang // 2011 IEEE 23rd International Conference on Tools with Artificial Intelligence. – 2011. – P. 138-141.
  11. Pai, K. Convolutional Neural Networks for classifying skin lesions / K. Pai, A. Giridharan // TENCON 2019 – 2019 IEEE Region 10 Conference (TENCON). – 2019. – P. 1794-1796.
  12. Yang, X. Skin lesion analysis by multi-target deep neural networks / X. Yang, H. Li, L. Wang, S.Y. Yeo, Y. Su, Z. Zeng // 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). – 2018. – P. 1263-1266.
  13. Zaqout, I.S. An efficient block-based algorithm for hair removal in dermoscopic images / I.S. Zaqout // Компьютерная оптика. – 2017. – Т. 41(4). – С. 521-527. – DOI: 10.18287/2412-6179-2017-41-4-521-527.
  14. Lee, T. Dullrazor®: A software approach to hair removal from images / T. Lee, V. Ng, R. Gallagher, A. Coldman, D. McLean // Computers in Biology and Medicine. – 1997. – Vol. 27, Issue 6. – P. 533-543.
  15. Schmid-Saugeona, P. Towards a computer-aided diagnosis system for pigmented skin lesions / P. Schmid-Saugeona, J. Guillodb, J.P. Thirana // Computerized Medical Imaging and Graphics. – 2003. – Vol. 27, Issue 1. – P. 65-78.
  16. Lim, J.S. Two-dimensional signal and image processing / J.S. Lim. – Englewood Cliffs, NJ: Prentice Hall, 1990. – 548 p.
  17. Fiorese, M. VirtualShave: automated hair removal from digital dermatoscopic images / M. Fiorese, E. Peserico, A. Silletti // 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. – 2011. – P. 5145-5148.
  18. Gonzalez, R.C. Digital image processing / R.C. Gonzalez, R.E. Woods. – 3rd ed. – Pearson, 2007. – 976 p.
  19. Chervyakov, N.I. Residue number system-based solution for reducing the hardware cost of a Convolutional Neural Network / N.I. Chervyakov, P.A. Lyakhov, M.A. Deryabin, N.N. Nagornov, M.V. Valueva, G.V. Valuev // Neurocomputing. – 2020. – Vol. 407. – P. 439-453.
  20. Zhang, J. Small sample image recognition using improved Convolutional Neural Network / J. Zhang, K. Shao, X. Luo // Journal of Visual Communication and Image Representation. – 2018. – Vol. 55. – P. 640-647.
  21. ISIC Melanoma Project [Electronical Resource]. – URL: https://www.isic-archive.com/ (request date 21.11.2020).
  22. Tschandl, P. The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions / P. Tschandl, C. Rosendahl, H. Kittler // Scientific Data. – 2018. – Vol. 5. – 180161.
  23. Gonzalez, R.C. Digital image processing using MATLAB / R.C. Gonzalez, R.E. Woods, S.L. Eddins. – 2nd ed. – New Delhi: McGraw-Hill Education, 2010.
  24. Lyakhova, U.A. Method for determining skin lesions from images using neural network / U.A. Lyakhova, P.A. Lyakhov, N.I. Chervyakov, D.I. Kaplun, A.S. Voznesensky // 2020 9th Mediterranean Conference on Embedded Computing (MECO). – 2020. – P. 1-4.
  25. Krizhevsky, A. ImageNet classification with deep convolutional neural networks / A. Krizhevsky, I. Sutskever, G.E. Hinton // Advances in Neural Information Processing Systems. – 2012. – Vol. 25. – P. 1097-1105.
  26. Iandola, F.N. SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size [Electronical Resource] / F.N. Iandola, S. Han, M.W. Moskewicz, K. Ashraf, W.J. Dally, K. Keutzer // arXiv preprint arXiv:1602.07360. – 2016. – URL: https://arxiv.org/abs/1602.07360 (request date 04.03.2021).
  27. He, K. Deep residual learning for image recognition / K. He, X. Zhang, S. Ren, J. Sun // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2016. – P. 770-778.
  28. Esteva, A. Dermatologist-level classification of skin cancer with deep neural networks / A. Esteva, B. Kuprel, R.A. Novoa, J. Ko, S.M. Swetter, H.M. Blau, S. Thrun // Nature. – 2017. – Vol. 542. – P. 115-118.
  29. Albahar, M.A. Skin lesion classification using convolutional neural network with novel regularizer / M.A. Albahar // IEEE Access. – 2019. – Vol. 7. – P. 38306-38313.
  30. Han, S.S. Classification of the clinical images for benign and malignant cutaneous tumors using a deep learning algorithm / S.S. Han, M.S. Kim, W. Lim, G.H. Park, I. Park, S.E. Chang // Journal of Investigative Dermatology. – 2018. – Vol. 138, Issue 7. – P. 1529-1538.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20