Дослідження методу прогнозування глибини інвазії меланоми
DOI:
https://doi.org/10.31649/1681-7893-2025-49-1-147-156Ключові слова:
меланома, глибина інвазії, згорткова нейронна мережа, морфологічна обробка, EfficientNetB0Анотація
Меланома, високозлоякісна пухлина шкіри, спирається на глибину інвазії (ГІ) як критичний показник для оцінки злоякісності пухлини, прогнозування прогнозу пацієнта та визначення стратегій лікування. Традиційні методи вимірювання ГІ є ручними, трудомісткими та схильними до помилок через складну морфологію тканин та необхідність точних анотацій. Це дослідження представляє нову структуру на основі згорткової нейронної мережі (CNN), яка інтегрує класифікацію ділянок зображення з морфологічною обробкою для досягнення високоточних прогнозів ГІ за грубими анотаціями. Підхід складається з чотирьох модулів: диференціація патологічних тканин з використанням порогового значення Otsu та морфологічних операцій, ідентифікація ураження та епідермальної області за допомогою класифікації EfficientNetB0 та вимірювання ГІ за допомогою методу найменших квадратів, що підбирає межі. Експериментальні результати на наборі даних про меланому демонструють середню абсолютну похибку (MAE) 0,503 мм та середньоквадратичну похибку (RMSE) 0,169 мм, що значно перевершує традиційні мережі сегментації, такі як UNet та Attention-UNet. Цей метод забезпечує надійне та ефективне рішення для автоматизованої діагностики меланоми зі значним потенціалом для клінічного застосування.
Посилання
Breslow, A. "Thickness, cross-sectional areas and depth of invasion in the prognosis of cutaneous melanoma." Annals of Surgery, 172(5), 902-908, 1970.
Elder, D. E., et al. "Pathology of melanoma." Surgical Oncology Clinics of North America, 29(3), 337-359, 2020.
Balch, C. M., et al. "Final version of 2009 AJCC melanoma staging and classification." Journal of Clinical Oncology, 27(36), 6199-6206, 2009.
Menzies, S. W., et al. "The performance of SolarScan: an automated dermoscopy image analysis instrument for the diagnosis of primary melanoma." Archives of Dermatology, 141(11), 1388-1396, 2005.
Litjens, G., et al. "A survey on deep learning in medical image analysis." Medical Image Analysis, 42, 60-88, 2017.
Esteva, A., et al. "Dermatologist-level classification of skin cancer with deep neural networks." Nature, 542(7639), 115-118, 2017.
Oktay, O., et al. "Attention U-Net: Learning where to look for the pancreas." arXiv preprint arXiv:1804.03999, 2018.
Noroozi, N., Yassi, M., and Miri, M. S. "Threshold-based melanoma invasion depth measurement." Proc. SPIE Medical Imaging, 2021, 1-8.
Hausdorff, F. "Set theory." Chelsea Publishing Company, 1957.
Ronneberger, O., Fischer, P., and Brox, T. "U-Net: Convolutional networks for biomedical image segmentation." Proc. Int. Conf. Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2015, 234-241.
Zhou, Z., Siddiquee, M. M. R., Tajbakhsh, N., and Liang, J. "UNet++: A nested U-Net architecture for medical image segmentation." Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support, 2018, 3-11.
Pathak, D., et al. "Context encoders: Feature learning by inpainting." Proc. IEEE Conf. Computer Vision and Pattern Recognition (CVPR), 2016, 2536-2544.
Tan, M., and Le, Q. V. "EfficientNet: Rethinking model scaling for convolutional neural networks." Proc. Int. Conf. Machine Learning (ICML), 2019, 6105-6114.
Otsu, N. "A threshold selection method from gray-level histograms." IEEE Trans. Syst., Man, Cybern., 9(1), 62-66, 1979.
Zhang, Z., Liu, Q., and Wang, Y. "R2U-Net: Recurrent residual convolutional neural network for medical image segmentation." IEEE J. Biomedical and Health Informatics, 22(4), 1058-1066, 2018.
Janowczyk, A., and Madabhushi, A. "Deep learning for digital pathology image analysis: A comprehensive tutorial with selected use cases." J. Pathology Informatics, 7(1), 29, 2016.
Dosovitskiy, A., et al. "An image is worth 16x16 words: Transformers for image recognition at scale." arXiv preprint arXiv:2010.11929, 2020.
Pavlov S. V. Information Technology in Medical Diagnostics //Waldemar Wójcik, Andrzej Smolarz, July 11, 2017 by CRC Press - 210 Pages.
Wójcik W., Pavlov S., Kalimoldayev M. Information Technology in Medical Diagnostics II. London: (2019). Taylor & Francis Group, CRC Press, Balkema book. – 336 Pages.
##submission.downloads##
-
PDF (English)
Завантажень: 3
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
