Обзор методов раннего обнаружения меланомы c использованием методов компьютерного зрения
https://doi.org/10.15514/ISPRAS-2022-34(4)-17
Аннотация
Меланома является одной из самых агрессивных форм рака, которая поддается лечению только при раннем обнаружении заболевания. В статье рассмотрены существующие алгоритмы и методики визуального диагностирования меланомы. Также рассмотрены системы автоматического диагностирования дерматоскопических изображений и методов, используемых ими. В статье рассмотрены ограничения, препятствующие развитию систем автоматического диагностирования: отсутствие релевантных отечественных наборов данных, позволяющих обучать модели искусственного интеллекта, недостаточный уровень учета метаданных пациентов, низкий охват населения на наличие меланомы при прохождении плановых осмотров. Предложен вариант построения системы поддержки принятия решения врачами общей практики при анализе дерматоскопических изображений кожного покрова.
Об авторах
Александр Васильевич КОЗАЧОК
Институт системного программирования им. В.П. Иванникова РАН
Россия
Россия
Доктор технических наук, доцент, заведующий лабораторией безопасного программного обеспечения и анализа данных
Андрей Андреевич СПИРИН
Институт системного программирования им. В.П. Иванникова РАН
Россия
Россия
Кандидат технических наук, научный сотрудник
Елена Сергеевна КОЗАЧОК
Орловская областная клиническая больница
Россия
Россия
Дерматолог
Список литературы
1. Arnold M., Singh D. et al. Global burden of cutaneous melanoma in 2020 and projections to 2040. JAMA dermatology, vol. 158, issue 5, 2022, pp. 495-503.
2. Deacon D.C., Smith E.A., Judson-Torres R.L. Molecular Biomarkers for Melanoma Screening, Diagnosis and Prognosis: Current State and Future Prospects. Frontiers in Medicine, vol. 8, 2021, article no. 642380, 26 p.
3. Gershenwald J.E., Scolyer R.A. et al. Melanoma staging: evidence-based changes in the American Joint Committee on Cancer eighth edition cancer staging manual. CA: A Cancer Journal for Clinicians, vol. 67, issue 6, 2017, pp. 472-492.
4. Siegel R.L., Miller K.D., Jemal A. Cancer statistics, 2020. CA: A Cancer Journal for Clinicians, vol. 70, issue 1, 2020, pp. 7-30.
5. Thanh D.N., Prasath V.B. et al. Melanoma skin cancer detection method based on adaptive principal curvatue, colour normalisation and feature extraction with the ABCD rule. Journal of Digital Imaging, vol. 33, issue 3, 2020, pp. 574-585.
6. Gu F., Chen T.H.et al. Combining common genetic variants and non-genetic risk factors to predict risk of cutaneous melanoma. Human molecular genetics, vol. 27, isuue 23. 2018, pp. 4145-4156.
7. Landi M.T., Bishop D.T. et al. Genome-wide association meta-analyses combining multiple risk phenotypes provide insights into the genetic architecture of cutaneous melanoma susceptibility. Nature genetics, vol. 52, issue 5, 2020, pp. 494-504.
8. Siegel R.L., Miller K.D. et al. Cancer statistics, 2022. CA: A Cancer Journal for Clinicians, vol. 72, issue 1, 2022, pp. 7-33.
9. Teterycz P., Ługowska I. et al. Comparison of seventh and eighth edition of AJCC staging system in melanomas at locoregional stage. World Journal of Surgical Oncology, vol. 17, issue 1, 2019, pp. 1-7.
10. Gershenwald M.S., Scolyer R.A. Melanoma Staging: American Joint Committee on Cancer (AJCC) 8th Edition and Beyond. Annals of Surgical Oncology, vol. 25, 2018, pp, 2105-2110.
11. Неретин Е.Ю., Садреева С.Х. «Истинная» заболеваемость меланомой кожи по результатам масштабной трехдневной кампании по ранней диагностике в крупном промышленном центре. Ульяновский медико-биологический журнал, no. 1, 2021 г., стр. 71-83 / Neretin E.Yu., Sadreeva S.Kh. The «true» incidence of melanoma of the skin from the results of a large-scale three-day campaign for early diagnosis in a large industrial center. Ulyanovsk Medical Biological Journal, no. 1, 2021, pp. 71-83 (in Russian).
12. Srivastava S, Koay E.J. et al. Cancer overdiagnosis: a biological challenge and clinical dilemma. Nature Reviews Cancer, vol. 19, 2019, pp. 349-358.
13. Glazer A.M., Farberg A.S. et al. Quantitative ABCD parameters measured by a multispectral digital skin lesion analysis device for evaluation of suspicious pigmented skin lesions strongly correlate with clinical ABCD observations. Dermatology Online Journal, vol. 23, no. 8, 2017, 4 p.
14. Senan E.M., Jadhav M.E. Analysis of dermoscopy images by using ABCD rule for early detection of skin cancer. Global Transitions Proceedings, vol. 2, issue 1, 2021, pp. 1-7.
15. Saghir U., Devendran V. A Brief Review of Feature Extraction Methods for Melanoma Detection. In Proc. of the 7th International Conference on Advanced Computing and Communication Systems (ICACCS), vol. 1, 2021, pp. 1304-1307.
16. Kittler H. Evolution of the Clinical, Dermoscopic and Pathologic Diagnosis of Melanoma. Dermatology Practical & Conceptual, vol. 11, no. S1, 2021, pp. 1-10.
17. Babino G., Lallas A. et al. Melanoma diagnosed on digital dermoscopy monitoring: A side-by-side image comparison is needed to improve early detection. Journal of the American Academy of Dermatology, vol. 85, issue 3, 2021, pp. 619-625.
18. Saba T. Computer vision for microscopic skin cancer diagnosis using handcrafted and non‐handcrafted features. Microscopy Research and Technique, vol. 84, issue 6, 2021, pp. 1272-1283.
19. Jaimes N., Marghoob A.A. Triage amalgamated dermoscopic algorithm. Journal of the American Academy of Dermatology, vol. 82, issue 6, 2020, pp. 1551-1552.
20. Gillies R.J., Schabath M.B. Radiomics improves cancer screening and early detection. Cancer Epidemiology and Prevention Biomarkers, vol. 29, issue 12, 2020, pp. 2556-2567.
21. Brinker T. J. et al. Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task //European Journal of Cancer. – 2019. – Т. 113. – С. 47-54.
22. Haenssle H. A., Fink C. et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Annals of oncology, vol. 29, issue 8, 2018, pp. 1836-1842.
23. Ratul M.A.R., Mozaffari M.H. et al. (2020). Skin lesions classification using deep learning based on dilated convolution. BioRxiv, 2019, 860700.
24. Akram T., Lodhi H.M.J. et al. A multilevel features selection framework for skin lesion classification. Human-centric Computing and Information Sciences, vol. 10, issue 1, 2020, pp, 1-26.
25. Павлович П.И., Бронов О.Ю. и др. Сравнительное исследование результатов анализа данных цифровой маммографии системы на основе искусственного интеллекта «Цельс» и врачей-рентгенологов. Digital Diagnostics, том 2, no 2S, 2021 г., стр. 22-23 / Pavlovich P.I., Bronov O.Yu. et al. Comparative study of the digital mammography data analysis system based on artificial
26. intelligence “Celsus” and radiologists. Digital Diagnostics, vol. 2, no. 2S, 2021, pp. 22–23 (in Russian).
27. Карпов О.Э., Бронов О.Ю. и др. Компаративное исследование результатов анализа данных цифровой маммографии системы на основе искусственного интеллекта «цельс» и врачей-рентгенологов. Вестник Национального медико-хирургического Центра им. НИ Пирогова, том 16, вып. 2, 2021 г., стр. 86-92 / Karpov O.E., Bronov O.Yu. et al. Comparative study of data analysis results of digital mammography ai-based system «Celsus» and radiologists. analysis of clinical cases. Bulletin of Pirogov National Medical & Surgical Center, vol. 16, issue 2, 2021, pp. 86-92 (in Russian).
28. Foahom Gouabou A.C., Damoiseaux J.L. et al. Ensemble Method of Convolutional Neural Networks with Directed Acyclic Graph Using Dermoscopic Images: Melanoma Detection Application. Sensors, vol. 21, issue 12, 2021, article no. 3999, 19 p.
29. Luna-Benoso B., Martínez-Perales J.C. et al. Melanoma detection in dermoscopic images using a cellular automata classifier. Computers, vol. 11, issue 1, 2022, 13 p.
30. Rizzi M., & Guaragnella C. A Decision Support System for Melanoma Diagnosis from Dermoscopic Images. Applied Sciences, vol. 12, issue 14, 2022, article no. 7007, 15 p.
31. Thanh D.N.H., Hien N.N. et al. Adaptive Thresholding Skin Lesion Segmentation with Gabor Filters and Principal Component Analysis. Advances in Intelligent Systems and Computing, vol. 1125, 2019, pp. 811-820.
32. Thanh D.N.H., Erkan U. et al. A Skin Lesion Segmentation Method for Dermoscopic Images Based on Adaptive Thresholding with Normalization of Color Models. In Proc. of the IEEE 2019 6th International Conference on Electrical and Electronics Engineering, 2019, pp. 116-120.
33. Thanh D.N.H., Hien N.N. et al. Automatic Initial Boundary Generation Methods Based on Edge Detectors for the Level Set Function of the Chan-Vese Segmentation Model and Applications in Biomedical Image Processing. Advances in Intelligent Systems and Computing, vol. 1125, 2019, 2018, pp. 171-181.
34. Wong A., Scharcanski J., Fieguth P. Automatic Skin Lesion Segmentation via Iterative Stochastic Region Merging. IEEE Transactions on Information Technology in Biomedicine, vol. 15, issue 6, 2011, pp. 929-936.
35. Jaisakthi S.M., Mirunalini P., Aravindan C. Automated skin lesion segmentation of dermoscopic images using GrabCut and k-means algorithms. IET Computer Vision, vol. 12, issue 8, 2018, pp. 1088-1095. doi: 10.1049/iet-cvi.2018.5289.
36. Burdick J, Marques O et al. Rethinking Skin Lesion Segmentation in a Convolutional Classifier. Journal of Digital Imaging, vol. 31, issue 4, 2018, pp. 435-440.
37. Al-Masni M.A., Al-Antari M.A. et al. Skin lesion segmentation in dermoscopy images via deep full resolution convolutional networks. Computer Methods and Programs in Biomedicine, vol. 162, 2018, pp. 221-231.
38. Ha Q., Liu B., Liu F. Identifying melanoma images using efficientnet ensemble: Winning solution to the siim-isic melanoma classification challenge. arXiv preprint arXiv:2010.05351, 2020, 6 p.
Рецензия
Для цитирования:
КОЗАЧОК А.В., СПИРИН А.А., КОЗАЧОК Е.С. Обзор методов раннего обнаружения меланомы c использованием методов компьютерного зрения. Труды Института системного программирования РАН. 2022;34(4):241-250. https://doi.org/10.15514/ISPRAS-2022-34(4)-17
For citation:
KOZACHOK A.V., SPIRIN A.A., KOZACHOK E.S. Review of methods for early melanoma computer vision detection. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2022;34(4):241-250. (In Russ.) https://doi.org/10.15514/ISPRAS-2022-34(4)-17
Послать статью по эл. почте 