Аннотация:
В настоящей работе предложен подход к решению задачи обнаружения злокачественных новообразований кожи, а именно, меланомы, на основе анализа дермоскопических изображений с использованием методов глубокого обучения. Для этого разработана архитектура глубокой сверточной нейронной сети, которая была применена к обработке дермоскопических изображений различных повреждений кожи, содержащихся в наборе данных HAM10000. Исследуемые данные предварительно были подвергнуты обработке с целью устранения шума, загрязнений, а также изменения размеров и формата изображений. Кроме того, поскольку классы заболеваний являются несбалансированными, был выполнен ряд преобразований по их балансировке. Полученные таким образом данные были разбиты на два класса Melanoma и Benign. Компьютерные эксперименты по применению построенной глубокой нейронной сети на полученных таким образом данных показали, что предложенный подход обеспечивает точность на тестовой выборке 94 %, что превышает аналогичные результаты, полученные другими алгоритмами глубокого обучения.
Ключевые слова:
меланома, классификация, нейронные сети, интеллектуальные медицинские системы.
Материал поступил в редакцию 19.05.2020, 09.10.2020, опубликован 17.10.2020
Тип публикации:
Статья
Образец цитирования:
Е.Ю. Щетинин, Л. А. Севастьянов, А. В. Демидова, Д. С. Кулябов, “Классификация повреждений кожи по данным дермаскопии с использованием методов глубокого обучения”, Матем. биология и биоинформ., 15:2 (2020), 180–194
\RBibitem{ShcSevDem20}
\by Е.Ю.~Щетинин, Л.~А.~Севастьянов, А.~В.~Демидова, Д.~С.~Кулябов
\paper Классификация повреждений кожи по данным дермаскопии с использованием методов глубокого обучения
\jour Матем. биология и биоинформ.
\yr 2020
\vol 15
\issue 2
\pages 180--194
\mathnet{http://mi.mathnet.ru/mbb431}
\crossref{https://doi.org/10.17537/2020.15.180}
Образцы ссылок на эту страницу:
https://www.mathnet.ru/rus/mbb431
https://www.mathnet.ru/rus/mbb/v15/i2/p180
Эта публикация цитируется в следующих 5 статьяx:
Zhenwei Li, Qing Ji, Xiaoli Yang, Yu Zhou, Shulong Zhi, “An Identification Method of Feature Interpretation for Melanoma Using Machine Learning”, Applied Sciences, 13:18 (2023), 10076
Eugene Yu. Shchetinin, Leonid A. Sevastianov, Anastasia V. Demidova, Anastasia G. Glushkova, Communications in Computer and Information Science, 1552, Distributed Computer and Communication Networks, 2022, 371
V. V. Starovoitov, Yu. I. Golub, “About the confusion-matrix-based assessment of the results of imbalanced data classification”, Informatika (Minsk), 18:1 (2021), 61
E. Yu. Shchetinin, “AUTOMATIC ARRHYTHMIA DETECTION BASED ON THE ANALYSIS OF ELECTROCARDIOGRAMS WITH DEEP LEARNING”, vkit, 2021, no. 203, 18
E. Yu. Shchetinin, “AUTOMATIC DETECTION OF COVID-19 CORONAVIRUS INFECTION BASED ON THE CHEST X-RAYS ANALYSIS WITH DEEP LEARNING MODELS”, vkit, 2021, no. 210, 43
Цитирование в формате AMSBIB
Обратная связь: