Классификация кожных заболеваний по изображению (фотографии) .

Description

Хотя компьютерная диагностика (CAD) используется для улучшения качества диагностики в различных областях медицины, таких как маммография и колонография, она не используется в дерматологии, где неинвазивные скрининговые тесты проводятся только невооруженным глазом, и могут существовать неточности, которых можно избежать. . Это исследование показывает, что CAD также может быть жизнеспособным вариантом в дерматологии, поскольку представляет новый метод последовательного объединения точных моделей сегментации и классификации. Получив изображение кожи, мы разлагаем изображение, чтобы нормализовать и извлечь высокоуровневые характеристики. Используя модель сегментации на основе нейронной сети для создания сегментированной карты изображения, мы затем группируем участки аномальной кожи и передаем эту информацию в модель классификации. Мы классифицируем каждый кластер по различным распространенным кожным заболеваниям, используя другую модель нейронной сети. Наша модель сегментации обеспечивает лучшую производительность по сравнению с предыдущими исследованиями, а также обеспечивает почти идеальный показатель чувствительности в неблагоприятных условиях. Наша модель классификации является более точной, чем базовая модель, обученная без сегментации, а также способна классифицировать несколько заболеваний на одном изображении. Этой улучшенной производительности может быть достаточно для использования САПР в области дерматологии.

Компьютерная диагностика (CAD) — это компьютерная система, которая используется в области медицинской визуализации для помощи медицинским работникам в постановке диагноза . CAD стал основным инструментом в нескольких областях медицины, таких как маммография и колонография . Однако в дерматологии, хотя кожное заболевание является распространенным заболеванием, при котором раннее обнаружение и классификация имеют решающее значение для успешного лечения и выздоровления пациентов, дерматологи проводят большинство неинвазивных скрининговых тестов только невооруженным глазом. Это может привести к предотвратимым диагностическим неточностям в результате человеческой ошибки, поскольку обнаружение заболевания можно легко упустить из виду. Кроме того, классификация заболевания затруднена из-за сильного сходства симптомов распространенных кожных заболеваний. Поэтому было бы полезно использовать сильные стороны САПР с использованием методов искусственного интеллекта, чтобы повысить точность дерматологической диагностики. В этой статье показано, что CAD может быть жизнеспособным вариантом в области дерматологии с использованием современных моделей глубокого обучения.

Сегментация и классификация кожных заболеваний привлекают внимание в области искусственного интеллекта из-за многообещающих результатов. Двумя наиболее известными подходами к сегментации и классификации кожных заболеваний являются алгоритмы кластеризации и машины опорных векторов (SVM). Алгоритмы кластеризации, как правило, имеют то преимущество, что они гибкие, простые в реализации, с возможностью обобщать признаки, которые имеют аналогичную статистическую дисперсию. Трабелси и др. экспериментировали с различными алгоритмами кластеризации, такими как нечеткие c-средние, улучшенные нечеткие c-средние и K-средние, достигнув примерно 83% истинных положительных результатов при сегментации кожного заболевания. Раджаб и др. внедрили алгоритм кластеризации ISODATA, чтобы найти оптимальный порог для сегментации поражений кожи. Неотъемлемым недостатком кластеризации кожных заболеваний является недостаточная устойчивость к шуму. Алгоритмы кластеризации основаны на идентификации центроида, который может обобщить кластер данных. Зашумленные данные или наличие выбросов могут значительно снизить производительность этих алгоритмов. Следовательно, для зашумленных наборов данных, вызванных изображениями с разным типом освещения, могут быть предпочтительны алгоритмы без кластеризации; однако Кеке и соавт. 5реализована улучшенная версия алгоритма нечеткой кластеризации с использованием цветовых пространств RGB, HSV и LAB для создания модели, более устойчивой к зашумленным данным. SVM привлекли внимание своей эффективностью в многомерных данных и их способностью расшифровывать «…тонкие закономерности в зашумленных и сложных наборах данных» . -сегментная эритема на коже с использованием радиальной базисной функции ядра, которая позволяет SVM разделять нелинейные гиперплоскости. Сумитра и др. объединили линейный SVM с классификатором k-NN для сегментации и классификации пяти различных классов поражений кожи. Маглогианнис и др. реализовал порог значения RGB для сегментации и использовал SVM для классификации. Хотя SVM более надежны, чем алгоритмы кластеризации, они больше зависят от предварительной обработки данных для извлечения признаков. Без предварительной обработки, которая позволяет четко определять гиперплоскости, SVM также могут работать хуже.

Результатом стала система глубокого обучения,
которая вырабатывает ранжированный список
возможных кожных заболеваний при жалобах на кожу,
близко имитирует мнение врачей и является ключом к
быстрой сортировке, диагностике и лечению пациентов.

Если у Вас появилась заинтересованность в данной нейронной сети, и она может помочь Вам в реализации Ваших бизнес и других технических задачах, пожалуйста отправьте заявку на email info@ai2b.ru , или позвоните по телефону 8(495)661-61-09