Применение моделей машинного обучения для многоклассовой классификации дерматоскопических снимков новообразований кожи
Александр Васильевич КОЗАЧОК,
Андрей Андреевич СПИРИН,
Олег Ильгисович САМОВАРОВ,
Елена Сергеевна КОЗАЧОК https://doi.org/10.15514/ISPRAS-2024-36(5)-17
Аннотация
В статье рассмотрены вопросы практической оценки качества современных моделей машинного обучения, реализованных на основе глубоких нейронных сетей и визуальных трансформеров. Описаны параметры проведенного эксперимента на наборе данных ISIC 2018. Приведена статистика по категориям рассмотренных поражений кожи. Проведенный статистический анализ полученных результатов позволил авторскому коллективу сформировать новую бинарную категорию: меланоцитарные и немелонацитарные поражения кожи. Эксперименты по обучению нейросетевых моделей были выполнены на мощностях Цифровой экосистемы НЦМУ.
Ключевые слова
При поддержке: Фонд содействия инновациям (Договор № 386ГС1ЦТС10-D5/91114 от 14.06.2024 г.)
Об авторах
Александр Васильевич КОЗАЧОК
Институт системного программирования РАН
Россия
Россия
Доктор технических наук, доцент, заведующий лабораторией безопасного программного обеспечения и анализа данных Института системного программирования им. В.П. Иванникова РАН. Сфера научных интересов: методы и системы защиты информации, кибербезопасность, машинное обучение, анализ данных.
Андрей Андреевич СПИРИН
Институт системного программирования РАН
Россия
Россия
Кандидат технических наук, научный сотрудник института системного программирования им. В.П. Иванникова Российской Академии наук. Его научные интересы включают распознавание образов, системы искусственного интеллекта.
Олег Ильгисович САМОВАРОВ
Институт системного программирования РАН
Россия
Россия
Кандидат технических наук, учёный секретарь института системного программирования им. В.П. Иванникова Российской Академии наук.
Елена Сергеевна КОЗАЧОК
ООО «Бьюти Клиник»
Россия
Россия
Является главным врачом ООО «Бьюти Клиник». Её научные интересы включают вопросы косметологии, дерматологии, трихологии.
Список литературы
1. Козачок, А. В., Спирин, А. А., Елецкий, К. В., & Козачок, Е. С. (2024). Платформа для сбора дерматоскопических изображений новообразований пациентов. Труды института системного программирования РАН, 36(3), 259-272.
2. Martinez G. A. et al. Integrating Dermoscopic Images into PACS Using DICOM and Modality Worklist //MEDINFO 2023—The Future Is Accessible. – IOS Press, 2024. – С. 199-203.
3. Caffery L. et al. DICOM in dermoscopic research: an experience report and a way forward //Journal of Digital Imaging. – 2021. – Т. 34. – С. 967-973.
4. Caffery L. J. et al. The role of DICOM in artificial intelligence for skin disease //Frontiers in medicine. – 2021. – Т. 7. – С. 619787.
5. Kravchenko O. OpenAI вычисляют идеальный batch size для обучения моделей // https://neurohive.io/ru/novosti/openai-batch-size-ideal/, 20.12.2018, 16.08.2024
6. Kassani, S.H., Kassani, P.H. A comparative study of deep learning architectures on melanoma detection // Tissue and Cell. – 2019. – Vol. 58. – pp.76-83. doi: 10.1016/j.tice.2019.04.009.
7. Chaturvedi S.S., Gupta K., Prasad P.S. Skin lesion analyser: an efficient seven-way multi-class skin cancer classification using MobileNet // Advanced Machine Learning Technologies and Applications. – Springer, Singapore. – 2020. – p.165-176. doi: 10.1007/978-981-15-3383-9_15.
8. Qin X.Z. et al. A GAN-based image synthesis method for skin lesion classification // Computer Methods and Programs in Biomedicine. – 2020. – Vol. 195. – p.105568. doi.org/10.1016/j.cmpb.2020.105568.
9. Maron R.C., et al., Systematic outperformance of 112 dermatologists in multiclass skin cancer image classification by convolutional neural networks // European Journal of Cancer. – 2019. – Vol. 119. – pp.57- 65.
10. ISIC Skin image analysis Workshop and Challenge @ MICCAI 2018 [Электронный ресурс]. – Режим доступа: https://workshop2018.isic-archive.com
11. W. Gouda, N. U. Sama, G. Al-Waakid, M. Humayun, and N. Z. Jhanjhi, “Detection of skin cancer based on skin lesion images using deep learning,” Healthcare, vol. 10, no. 7, p. 1183, 2022.
12. J. Wu, E. Z. Chen, R. Rong, X. Li, D. Xu, and H. Jiang, “Skin lesion segmentation with C-UNet,” in 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Berlin, Germany, 2019. View at: Publisher Site | Google Scholar
13. P. Tang, Q. Liang, X. Yan et al., “Efficient skin lesion segmentation using separable-UNet with stochastic weight averaging,” Computer Methods and Programs in Biomedicine, vol. 178, pp. 289–301, 2019.
14. M. Nawaz, T. Nazir, M. Masood et al., “Melanoma segmentation: a framework of improved DenseNet77 and UNET convolutional neural network,” International Journal of Imaging Systems and Technology, vol. 32, no. 6, pp. 2137–2153, 2022. View at: Publisher Site | Google Scholar
15. Maurício J., Domingues I., Bernardino J. Comparing vision transformers and convolutional neural networks for image classification: A literature review //Applied Sciences. – 2023. – Т. 13. – №. 9. – С. 5521.
16. Dosovitskiy A., Beyer L., Kolesnikov A., Weissenborn D., Zhai X., Unterthiner T., Dehghani M., Minderer M., Heigold G., Gelly S., Uszkoreit J., and Houlsby N., An Image Is Worth 16x16 Words: Transformers for Image Recognition at Scale, 2021, https://doi.org/10.48550/arXiv.2010.11929
17. Bao H., Dong L., and Wei F., BEiT: BERT pre-training of image transformers, 2021, http://arxiv.org/abs/2106.08254.
18. Xin C., Liu Z., Zhao K., Miao L., Ma Y., Zhu X., Zhou Q., Wang S., Li L., Yang F., Xu S., and Chen H., An improved transformer network for skin cancer classification, Computers in Biology and Medicine. (2022) 149, article 105939, https://doi.org/10.1016/j.compbiomed.2022.1
19. Galib Muhammad Shahriar Himel and others, Skin Cancer Segmentation and Classification Using VisionTransformer for Automatic Analysis in Dermatoscopy-BasedNoninvasive Digital System. (2024), https://doi.org/10.1155/2024/3022192.
20. Платформа НЦМУ ИСП РАН. Режим доступа: https://www.sechenov.ru/univers/structure/center/tsentr-tsifrovogo-biodizayna-i-personalizirovannogo-zdravookhraneniya/
Дополнительные файлы
Рецензия
Для цитирования:
КОЗАЧОК А.В., СПИРИН А.А., САМОВАРОВ О.И., КОЗАЧОК Е.С. Применение моделей машинного обучения для многоклассовой классификации дерматоскопических снимков новообразований кожи. Труды Института системного программирования РАН. 2024;36(5):241-252. https://doi.org/10.15514/ISPRAS-2024-36(5)-17
For citation:
KOZACHOK A.V., SPIRIN A.A., SAMOVAROV O.I., KOZACHOK E.S. Application of Machine Learning Models for Multiclass Classification of Dermatoscopic Images of Skin Neoplasms. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2024;36(5):241-252. (In Russ.) https://doi.org/10.15514/ISPRAS-2024-36(5)-17
Послать статью по эл. почте 