1 of 18

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

Юсуфов Стивен Ранбомович

ФФМ МГУ, 6 курс

Курс «Нейронные сети и их применение в научных исследованиях»

2 of 18

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

Введение в тему

Пятилетняя выживаемость при меланоме составляет 5 процентов…

Ожидается, что число смертей от меланомы увеличится на 4.4 процента в 2023 году.

На меланому приходится 6 процентов новых случаев рака у мужчин и 4 процента новых случаев рака у женщин.

Ежегодно в США диагностируется больше людей с раком кожи, чем со всеми другими видами рака вместе взятыми.

3 of 18

Цели:

Упрощение диагностики кожных меланом

Объективизация краев иссечения опухоли

Задачи:

Сбор и подготовка данных

Разработка алгоритмов нейронных сетей

Оценка производительности моделей

Интеграция в клиническую практику

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

Цели и задачи

4 of 18

Copyrights apply

5 of 18

Copyrights apply

6 of 18

HAM10000

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

Данные для обучения классификатора

10 тысяч изображений

Размер изображений 450х600

Top 1 accuracy – 96.49�

7 of 18

ISIC 2016

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

900 изображений

Размер изображений 1024х1024

�

8 of 18

PH2Dataset

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

Данные с аннотацией

200 изображений

Размер изображений 768x560

�

9 of 18

Разметка краев

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

10 of 18

Метрики

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

Для задачи классификации:

f-beta, balanced accuracy

Для задачи сегментации:

IoU

В задачах классификации с локализацией и детекции объектов для определения достоверности местоположения ограничивающей рамки в качестве метрики чаще всего используется отношение площадей ограничивающих рамок (англ. Intersection over Union): IoU=S(A∩B)S(A∪B)IoU=S(A∩B)S(A∪B), где AA и BB — предсказанная ограничивающая рамка и настоящиая ограничивающая рамка соответственно. IoUIoU равно нулю в случае непересекающихся ограничивающих рамок и равно единице в случае идеального наложения.

11 of 18

Результаты классификации

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

В задачах классификации с локализацией и детекции объектов для определения достоверности местоположения ограничивающей рамки в качестве метрики чаще всего используется отношение площадей ограничивающих рамок (англ. Intersection over Union): IoU=S(A∩B)S(A∪B)IoU=S(A∩B)S(A∪B), где AA и BB — предсказанная ограничивающая рамка и настоящиая ограничивающая рамка соответственно. IoUIoU равно нулю в случае непересекающихся ограничивающих рамок и равно единице в случае идеального наложения.

12 of 18

Результаты классификации

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

	precision	recall	f1-score
Немеланома	0.97	0.66	0.78
Меланома	0.24	0.86	0.37

f-beta = 0,56 (при beta=2)

balanced accuracy = 0,756

Точность визуального распознавания меланом�дерматологами варьируется от 57% до 87%.

В задачах классификации с локализацией и детекции объектов для определения достоверности местоположения ограничивающей рамки в качестве метрики чаще всего используется отношение площадей ограничивающих рамок (англ. Intersection over Union): IoU=S(A∩B)S(A∪B)IoU=S(A∩B)S(A∪B), где AA и BB — предсказанная ограничивающая рамка и настоящиая ограничивающая рамка соответственно. IoUIoU равно нулю в случае непересекающихся ограничивающих рамок и равно единице в случае идеального наложения.

13 of 18

Результаты классификации

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

В задачах классификации с локализацией и детекции объектов для определения достоверности местоположения ограничивающей рамки в качестве метрики чаще всего используется отношение площадей ограничивающих рамок (англ. Intersection over Union): IoU=S(A∩B)S(A∪B)IoU=S(A∩B)S(A∪B), где AA и BB — предсказанная ограничивающая рамка и настоящиая ограничивающая рамка соответственно. IoUIoU равно нулю в случае непересекающихся ограничивающих рамок и равно единице в случае идеального наложения.

14 of 18

Результаты сегментации

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

Исследование	IoU
Bi et al. (ISIC-2016)	0.846
Yuan et al. (ISIC-2016)	0.847
Наше исследование (ISIC-2016 + PH²)	0.843

В задачах классификации с локализацией и детекции объектов для определения достоверности местоположения ограничивающей рамки в качестве метрики чаще всего используется отношение площадей ограничивающих рамок (англ. Intersection over Union): IoU=S(A∩B)S(A∪B)IoU=S(A∩B)S(A∪B), где AA и BB — предсказанная ограничивающая рамка и настоящиая ограничивающая рамка соответственно. IoUIoU равно нулю в случае непересекающихся ограничивающих рамок и равно единице в случае идеального наложения.

15 of 18

Результаты сегментации

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

В задачах классификации с локализацией и детекции объектов для определения достоверности местоположения ограничивающей рамки в качестве метрики чаще всего используется отношение площадей ограничивающих рамок (англ. Intersection over Union): IoU=S(A∩B)S(A∪B)IoU=S(A∩B)S(A∪B), где AA и BB — предсказанная ограничивающая рамка и настоящиая ограничивающая рамка соответственно. IoUIoU равно нулю в случае непересекающихся ограничивающих рамок и равно единице в случае идеального наложения.

16 of 18

Края иссечения

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

В задачах классификации с локализацией и детекции объектов для определения достоверности местоположения ограничивающей рамки в качестве метрики чаще всего используется отношение площадей ограничивающих рамок (англ. Intersection over Union): IoU=S(A∩B)S(A∪B)IoU=S(A∩B)S(A∪B), где AA и BB — предсказанная ограничивающая рамка и настоящиая ограничивающая рамка соответственно. IoUIoU равно нулю в случае непересекающихся ограничивающих рамок и равно единице в случае идеального наложения.

17 of 18

Возможные журналы для публикации:

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

Journal of medical Internet research
Computers in Biology and Medicine
European journal of cancer
AI
Annals of Plastic Surgery
International Journal of Medical Informatics

Plastic and Reconstructive Surgery
Journal of Plastic, Reconstructive & Aesthetic Surgery
Aesthetic Surgery Journal
Computational and Mathematical Methods in Medicine

18 of 18

Полученные результаты свидетельствуют о возможности применения нейронных сетей в задачах диагностики, сегментации меланом и объективизации краев их иссечения.

Заключение

Использование нейронных сетей для упрощения диагностики кожных меланом и объективизации краев иссечения опухоли.

Использование нейронных сетей в диагностике кожных меланом и определении границ иссечения опухоли представляет большой потенциал для улучшения точности и объективности этих процессов. Разработка алгоритмов, способных анализировать изображения кожных образцов и определять наличие меланомы, а также точно определять границы опухоли, может значительно улучшить диагностические возможности и помочь в принятии решений хирургам.
Для достижения этих целей необходимы крупные и разнообразные датасеты изображений кожных меланом и обычной кожи. Существующие датасеты, такие как ISIC, HAM10000, PH2Dataset и Dermofit Image Library, представляют ценный ресурс для сбора данных. Оценка производительности моделей и сравнение их с традиционными методами являются важными шагами для оценки эффективности и преимуществ использования нейронных сетей в клинической практике.
�