Подбор модели нейронной сети для раннего обнаружения меланомы кожи

Кошечкин К.А.

ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России

ORCID: 0000-0001-7309-2215

Игнатьев А.А.

Лаборатория перспективных технологий

ORCID: 0000-0002-1904-7824

Потекаев Н.Н.

ГБУЗ «Московский научно-практический центр дерматовенерологии и косметологии» Департамента здравоохранения Москвы;
ФГАОУ ВО «Российский национальный исследовательский медицинский университет им. Н.И. Пирогова» Минздрава России

ORCID: 0000-0002-9578-5490

Доля О.В.

ГБУЗ «Московский научно-практический центр дерматовенерологии и косметологии» Департамента здравоохранения Москвы;
ФГАОУ ВО «Российский университет дружбы народов им. Патриса Лумумбы»

ORCID: 0000-0001-5019-4593

Фриго Н.В.

ГБУЗ «Московский научно-практический центр дерматовенерологии и косметологии» Департамента здравоохранения Москвы

ORCID: 0000-0001-6231-971X

Кочетков М.А.

ORCID: 0000-0002-5788-4666

Подбор модели нейронной сети для раннего обнаружения меланомы кожи

Авторы:

Кошечкин К.А., Игнатьев А.А., Потекаев Н.Н., Доля О.В., Фриго Н.В., Кочетков М.А.

Подробнее об авторах

Журнал: Клиническая дерматология и венерология. 2023;22(3): 287‑295

DOI: 10.17116/klinderma202322031287

Загрузок: 6

Связаться с автором

Оглавление

Как цитировать:

Кошечкин К.А., Игнатьев А.А., Потекаев Н.Н., Доля О.В., Фриго Н.В., Кочетков М.А. Подбор модели нейронной сети для раннего обнаружения меланомы кожи. Клиническая дерматология и венерология. 2023;22(3):287‑295.
Koshechkin KA, Ignat’ev AA, Potekaev NN, Dolya OV, Frigo NV, Kochetkov MA. Selection of a neural network model for early detection of skin melanoma. Russian Journal of Clinical Dermatology and Venereology. 2023;22(3):287‑295. (In Russ.)
https://doi.org/10.17116/klinderma202322031287

Доказательная гастроэнтерология: pro et contra

Актуальные вопросы педиатрической практики

Использование инфографики авторами научных работ

Закрыть метаданные

Рекомендуем статьи по данной теме:

Использование чат-ботов с применением искусственного интеллекта как элемента обучения при работе с дерматоскопическими изображениями. Клиническая дерматология и венерология. 2023;(4):447-453

Патолого-анатомический алгоритм дифференциальной диагностики болезни Педжета молочной железы. Архив патологии. 2023;(2):32-39

Рассеянный склероз и меланома. Журнал неврологии и психиатрии им. С.С. Корсакова. 2023;(10):123-128

Васкулогенная мимикрия. Архив патологии. 2023;(6):62-69

Подход к диагностике и лечению в дерматовенерологии значительно изменился с появлением новых технологий и изобретений. Компьютерные алгоритмы нашли свое применение в оказании помощи дерматовенерологам в диагностике заболеваний, в том числе злокачественной меланомы кожи. Инструментальные методы диагностики меланомы кожи, основанные на обработке дерматоскопических изображений, могут быть усовершенствованы путем использования искусственного интеллекта. Машинное обучение — это подмножество искусственного интеллекта, в котором компьютерные программы автоматически учатся на опыте без явных инструкций для работы. Наиболее перспективным направлением является глубокое обучение искусственных нейронных сетей. В данной работе изучены несколько моделей искусственных нейронных сетей с целью оценки перспективности их применения для ранней диагностики меланомы кожи. Эффективность различных моделей изучена на основе использования классификации изображений набора данных HAM10000. В процессе работы оценены модели сверточных нейронных сетей, предобученных нейронных сетей с трансферным обучением и применением механизма «мягкого внимания»: Xception, ResNet50, RAN50, SEnet50, ARL-CNN50, Inception Resnet V2 — IRv2 12x12+SA, IRv2 5x5+SA. В результате проведенной оценки наиболее перспективной оказалась модель Inception Resnet V2 с добавлением механизма «мягкого внимания».

Ключевые слова:

меланома

HAM10000

сверточная нейронная сеть

Xception

«мягкое внимание»

Авторы:

Кошечкин К.А.

ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России

ORCID: 0000-0001-7309-2215

Игнатьев А.А.

Лаборатория перспективных технологий

ORCID: 0000-0002-1904-7824

Потекаев Н.Н.

ORCID: 0000-0002-9578-5490

Доля О.В.

ORCID: 0000-0001-5019-4593

Фриго Н.В.

ORCID: 0000-0001-6231-971X

Кочетков М.А.

ORCID: 0000-0002-5788-4666

Дата поступления:

16.11.2022

Дата принятия в печать:

10.04.2023

Список литературы:

De A, et al. Use of Artificial Intelligence in Dermatology. Indian J. Dermatol. Wolters Kluwer. Medknow Publications. 2020;65(5):352.
Dinnes J, et al. Dermoscopy, with and without visual inspection, for diagnosing melanoma in adults. Cochrane Database Syst. Rev. John Wiley and Sons, Inc. and the Cochrane Library. 2018;2018:12.
Charalambides M, Singh S. Artificial intelligence and melanoma detection: friend or foe of dermatologists? MA Healthcare London. 2020;81:1. https://doi.org/10.12968/hmed.2019.0322
Pouly M, et al. Artificial intelligence in image analysis—fundamentals and new developments. Hautarzt. Springer Medizin. 2020;71(9):660-668.
Elder A, et al. The role of artificial intelligence in cosmetic dermatology — Current, upcoming, and future trends. J Cosmet Dermatol. John Wiley & Sons, Ltd. 2021;20(1):48-52.
Гасанович М.А. Мустафаев А.Г. Применение искусственных нейронных сетей для ранней диагностики заболевания сахарным диабетом. Кибернетика и программирование. Aurora Group, s.r.o. 2016;2(2):1-7.
Chollet F. Xception: Deep Learning With Depthwise Separable Convolutions. 2017;1251-1258.
The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions — ViDIR Dataverse [Electronic resource]. Accessed: 06.11.22. https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/DBW86T
Goodfellow I, Bengio Y, Courville A. Deep Learning [Electronic resource]. MIT Press. 2016. Accessed: 06.11.22. https://www.deeplearningbook.org/
He K, et al. Deep Residual Learning for Image Recognition. Proc IEEE Comput Soc Conf Comput Vis Pattern Recognit. IEEE Computer Society. 2015;2016-December:770-778.
Szegedy C, et al. Going Deeper with Convolutions. Proc IEEE Comput Soc Conf Comput Vis Pattern Recognit. IEEE Computer Society. 2014; 07-12- June-2015:1-9.
Xu K, et al. Show, Attend and Tell: Neural Image Caption Generation with Visual Attention. PMLR. 2015;2048-2057.
Shaikh MA, et al. Attention based Writer Independent Verification. Proc Int Conf Front Handwrit Recognition, ICFHR. Institute of Electrical and Electronics Engineers Inc. 2020;2020-September:373-379.
Tomita N, et al. Attention-Based Deep Neural Networks for Detection of Cancerous and Precancerous Esophagus Tissue on Histopathological Slides. JAMA Netw Open American Medical Association. 2018;2:11.
Srivastava N, et al. Dropout: A Simple Way to Prevent Neural Networks from Overfitting. J Mach Learn Res. 2014;15(56):1929-1958.
Szegedy C, et al. Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning. 31st AAAI Conf. Artif. Intell. AAAI 2017. AAAI press. 2016;4278-4284.
Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. University of Oxford. 2015.
Zhang J, et al. Attention Residual Learning for Skin Lesion Classification. IEEE Trans. Med. Imaging. NLM (Medline). 2019;38(9):2092-2103.
Selvaraju RR, et al. Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization. International Journal of Computer Vision. 2020;128:336-359.

Закрыть метаданные