Алгоритми багаторівневого навчання для вирішення задачі класифікації захворювань шкіри.

В. Акимов

doi:10.36910/6775-2524-0560-2019-36-16

В. Акимов Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

DOI: https://doi.org/10.36910/6775-2524-0560-2019-36-16

Ключові слова: класифікація захворювань шкіри, дерматоскопічні зображення, згорткові нейронні мережі, глибоке навчання.

Анотація

Захворювання шкіри сьогодні належать до розповсюджених медичних проблем. Кількість таких захворювань постійно зростає, незважаючи на розвиток медичної галузі. Рак шкіри є поширеним злоякісним новоутворенням і займає друге рангове місце у структурі онкологічної захворюваності населення України. Первинна діагностика таких хвороб здійснюється візуально, починаючи з клінічних обстежень, що можуть супроводжуватись дерматоскопічним аналізом, біопсією та гістопатологічною експертизою. У роботі виконано аналіз існуючих наукових публікацій щодо класифікації захворювань шкіри при використанні згорткових нейронних мереж, який показав, що на сьогодні існує незначна кількість публікацій з використанням глибокого навчання. Результати існуючих досліджень не містять достатнього рівня точності і результативності щодо класифікації захворювань шкіри, що підтверджує необхідність розробки нових згорткових нейронних мереж і їх подальших досліджень. Тому у роботі запропоновано технічне рішення щодо побудови згорткової нейронної мережі для класифікації захворювань шкіри.

Посилання

Pathan, S., Prabhu, K. G., & Siddalingaswamy, P. C. (2018). Techniques and algorithms for computer aided diagnosis of pigmented skin lesions - A review. Biomedical Signal Processing and Control, 39, 237-262.

Lee, H., & Chen, Y. P. P. (2015). Image based computer aided diagnosis system for cancer detection. Expert Systems with Applications, 42(12), 5356-5365.

Kaur, G., & Aggarwal, E. N. (2016). Supervised Classification of Dermoscopic Images Using Gaussian Mixture Model and Artificial Neural Network. Imperial Journal of Interdisciplinary Research, 2(8).

Yuan, X., Yang, Z., Zouridakis, G., & Mullani, N. (2006, August). SVM-based texture classification and application to early melanoma detection. In Engineering in Medicine and Biology Society, 2006. EMBS'06. 28th AНМual International Conference of the IEEE (pp. 4775-4778). IEEE.

Wahba, M. A., Ashour, A. S., Napoleon, S. A., Elnaby, M. M. A., & Guo, Y. (2017). Combined empirical mode decomposition and texture features for skin lesion classification using quadratic support vector machine. Health information science and systems, 5(1), 10.

Barata, C., Marques, J. S., & Rozeira, J. (2013, July). Evaluation of color based keypoints and features for the classification of melanomas using the bag-of-features model. In International Symposium on Visual Computing (pp. 40-49). Springer, Berlin, Heidelberg.

Ferris, L. K., Harkes, J. A., Gilbert, B., Winger, D. G., Golubets, K., Akilov, O., & Satyanarayanan, M. (2015). Computer-aided classification of melanocytic lesions using dermoscopic images. Journal of the American Academy of Dermatology, 73(5), 769-776.

Xie, F., Fan, H., Li, Y., Jiang, Z., Meng, R., & Bovik, A. (2017). Melanoma classification on dermoscopy images using a neural network ensemble model. IEEE transactions on medical imaging, 36(3), 849-858.

Salah, B., Alshraideh, M., Beidas, R., & Hayajneh, F. (2011). Skin cancer recognition by using a neuro-fuzzy system. Cancer informatics, 10, CIN-S5950.

Burke, H. B. (1994, January). Artificial neural networks for cancer research: outcome prediction. In Seminars in Surgical Oncology (Vol. 10, No. 1, pp. 73-79). New York: John Wiley & Sons, Inc.

Haenssle H.A., Fink C., Schneiderbauer R., Toberer F., Buhl T., Blum A., KallooA A., Hassen A. B. H., Thomas L., Enk A., UhlmaНМ L. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists // AНМals of Oncology. 2018. № 8 (29). C. 1836–1842.

Pieter Van Molle, Miguel De Strooper, Tim Verbelen, Bert Vankeirsbilck, Pieter Simoens, and Bart Dhoedt. Visualizing Convolutional Neural Networks to Improve Decision Support for Skin Lesion Classification, arXiv:1809.03851v1 [cs.CV] 11 Sep 2018, рр. 1-8.

Hao Chang. Skin cancer reorganization and classification with deep neural network // arxiv.org/ftp/arxiv/papers/1703/1703.00534.pdf

Gavrilov D.A., Shchelkunov N.N., Melerzanov A.V. Deep learning based skin lesions diagnosis . The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLII-2/W12, 2019 Int. Worksh. on “Photogrammetric & Computer Vision Techniques for Video Surveillance, Biometrics and Biomedicine”, 13-15 May 2019, Moscow, Russia, 81-85.

Esteva, A., Kuprel, B., Novoa, R.A., Ko, J., Swetter, S.M., Blau, H.M., Thrun, S.: Dermatologist-level classification of skin cancer with deep neural networks. Nature 542(7639), 115 (2017), 115-118.

Michał Grochowski, Agnieszka Mikołajczyk, Arkadiusz Kwasigroch. Diagnosis of malignant melanoma by neural network ensemble-based system utilising hand-crafted skin lesion features. Metrol. Meas. Syst., Vol. 26 (2019) No. 1, pp. 65-80.

Kwasigroch, A., Mikołajczyk, A., Grochowski, M. (2017). Deep neural networks approach to skin lesions classification – A comparative analysis. Methods Models Autom. Robot. MMAR 2017 22nd Int. Conf. On, IEEE, 1069–1074.

Kwasigroch, A., Mikołajczyk, A., Grochowski, M. (2017). Deep convolutional neural networks as a decision support tool in medical problems – malignant melanoma case study. Pol. Control Conf., Springer, 848–856.

Yu, Z., Jiang, X., Zhou, F., Qin, J., Ni, D., Chen, S., Lei, B., Wang, T. (2018). Melanoma Recognition in Dermoscopy Images via Aggregated Deep Convolutional Features. IEEE Transactions on Biomedical Engineering.

Christoph Baur, Salma Farag, Navdar Karabulut, Gurudeep Parala, Abhishek Rana, Shadi Albarqouni, and Nassir Navab. Cascaded DenseNets for Multi-Class Skin Lesion Classification, (2018), 7.

Jack Burdick, Florida Atlantic University; Oge Marques, PhD (Presenter); Adrià Romero López; Xavier Giró-i-Nieto; Janet Weinthal. The Impact of Segmentation on the Accuracy and Sensitivity of a Melanoma Classifier Based on Skin Lesion Images // SIIM 2017 Scientific Session Analytics & Deep Learning Part 3, (2017), 6.

Yosinski J, Clune J, Bengio Y, Lipson H: How transferable are features in deep neural networks? Advances in Neural Information Processing Systems, 3320-3328, 2014.

Simonyan K, Zisserman A: Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556, 2014.

Russakovsky O, Deng J, Su H, Krause J, Satheesh S, Ma S, Huang Z, Karpathy A, Khosla A, Bernstein M, Berg AC: ImageNet large scale visual recognition challenge. International Journal of Computer Vision 115(3):211-52, 2015.