Классификация дерматоскопических изображений с использованием сверточных нейронных сетей

В работе изучается проблема диагностики меланомы кожи на основе дерматоскопических изображений с использованием современных компьютерных технологий. В частности, рассмотрена задача классификации дерматоскопических изображений с использованием сверточных нейронных сетей для получения предварительных диагнозов меланомы кожи. Описаны основные открытые источники, на основе которых могут создаваться наборы изображений для обучения сетей и их тестирования. Отмечены проблемы, возникающие при создании набора данных для обучения нейронной сети, пути решения проблем, связанных с несбалансированностью имеющихся наборов данных. Предложены два варианта архитектуры нейронной сети для решения задачи классификации дерматоскопических изображений: простая сверточная сеть и сеть, построенная на основе архитектуры Inception. Описаны основные метрики, используемые для проверки качества диагностики в медицинских задачах. Проведено сравнение результатов, полученных с помощью предложенных сетей, и обоснован выбор Inception как обеспечивающей большую чувствительность при определении меланомы. Выполнено тестирование созданных сетей с использованием собственной базы данных дерматоскопических изображений, проведен анализ возможных причин отличия результатов тестового и валидационного наборов изображений и обоснована необходимость дальнейшей аугментации данных при обучении. Предложены средства дополнительной аугментации данных, интегрированные в архитектуру сети на стадии обучения. Выполнено сравнение полученных с помощью аугментации результатов и показано значительное улучшение чувствительности сети при работе с тестовым набором изображений.

1. Меланома кожи в Республике Беларусь: эпидемиология, диагностика и результаты лечения / А. Г. Жуковец А. Е. Океанов, П. И. Моисеев, А. В. Прокошин // Онкологический журнал. 2017. Т. 11, № 1. С. 35–46.

2. Deep Neural Networks Are Superior to Dermatologists in Melanoma Image Classification / T. J. Brinker, A. Hekler, A. H. Enk [et al.] // European Journal of Cancer. 2019. Vol. 119. P. 11–17. https://doi.org/10.1016/j.ejca.2019.05.023.

3. AI Outperformed Every Dermatologist in Dermoscopic Melanoma Diagnosis, Using an Optimized Deep-CNN Architecture with Custom Mini-Batch Logic and Loss Function / T. C. Pham, C.-M. Luong, V.-D. Hoang, A. Doucet // Scientific Reports. 2021. Vol. 11, No 1. P. 17485. https://doi.org/10.1038/s41598-021-96707-8.

4. Экспертная система диагностики злокачественных опухолей кожи / А. Г. Жуковец, Н. М. Тризна, И. В. Белоцерковский [и др.] // Вторая белорусско-польская дерматологическая конференция: дерматология без границ: cб. материалов респ. науч.-практ. конф., Гродно, 8 мая 2015. Гродно, 2015. С. 62–66.

5. Смалюк, А. Ф. Особенности использования TensorFlow. для разработки систем искусственного интеллекта / А. Ф. Смалюк // Бизнес. Образование. Экономика: VI Междунар. науч.-практ. конф., Минск, 3–4 апреля 2025 г.: сб. ст. Минск: Институт бизнеса БГУ, 2025. С. 319–322.

6. Смалюк, А. Ф. Использование нейронных сетей в задачах анализа дерматоскопических изображений / А. Ф. Смалюк // Бизнес. Образование. Экономика: Междунар. науч.-практ. конф., Минск, 4–5 апр. 2024 г.: сб. ст. / редкол.: Н. В. Манцурова [и др.]. Минск: Ин-т бизнеса БГУ, 2024. C. 300–305.

7. Смалюк, А. Ф. Сегментация дерматоскопических изображений новообразований кожи. Сравнение методик / А. Ф. Смалюк, М. С. Дешко, И. Д. Купчикова // Системный анализ и прикладная информатика. 2024. № 1. С. 50–58. https://doi.org/10.21122/2309-4923-2024-1-50-58.

8. Tschandl P. The HAM10000 Dataset, a Large Collection of Multi-Sources Dermatoscopic Images of Common Pigmented Skin Lesions / P. Tschandl, C. Rosendahl, H. Kittler // Scientific Data. 2018. Vol. 5, No 1. P. 180161. https://doi.org/10.1038/sdata.2018.161.

9. Skin Lesion Analysis toward Melanoma Detection 2018: A Challenge Hosted by the International Skin Imaging Collaboration (isic) / N. Codella, V. Rotemberg, P. Tschandl [et al.] // arXiv preprint. URL: https://arxiv.org/abs/1902.03368. https://doi.org/10.48550/arXiv.1902.03368.

10. Going Deeper with Convolutions / C. Szegedy, Wei Liu, Yangqing Jia [et al] // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston, MA, USA, 2015. P. 1–9. https://doi.org/10.1109/cvpr.2015.7298594.