Інтелектуальна система обробки медичних зображень з використанням методу нульового навчання
DOI:
https://doi.org/10.18372/1990-5548.82.19373Ключові слова:
злоякісні пухлини шкіри, штучний інтелект, інтелектуальна діагностика, дерматоскопічні зображення, попередня обробка, гібридний підхідАнотація
Роботу присвячено інтелектуальній діагностиці злоякісних пухлин шкіри. Представлено класифікацію злоякісних пухлин шкіри. Найбільшу увагу було приділено меланомі шкіри. Проаналізовано сучасні ознаки меланоми: Asymmetry, Boundary, Color, Diameter та додатково для вузлової меланоми: Elevated, Firm, Growing . Виконано огляд робіт з використання штучного інтелекту у діагностиці злоякісних пухлин шкіри. Запропоновано методологію інтелектуальної діагностики злоякісних пухлин шкіри, яка базується на використанні попередньої обробки дерматоскопічних зображень та розв’язанні задачі сегментації на основі використання гібридного підходу, який включає застосування segment anything model на основі об’єднання моделі Zero-shot learning, яка складається з image encoder, prompt encoder, lightweight mask decoder з YOLOv11.В якості датасету було використано ISIC 2018.
Посилання
F. Bray et al., “Global Cancer Statistics 2022: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries,” CA: A cancer journal for clinicians, vol. 74, no. 3, pp. 229–263, Apr. 2024, https://doi.org/10.3322/caac.21834.
Amdad Hossain Roky et al., “Overview of skin cancer types and prevalence rates across continents,” Cancer Pathogenesis and Therapy, Aug. 2024, https://doi.org/10.1016/j.cpt.2024.08.002.
“IARC marks Global Non-Melanoma Skin Cancer Awareness Day,” Who.int, 2024. https://www.iarc.who.int/news-events/iarc-marks-global-non-melanoma-skin-cancer-awareness-day (accessed Sep. 22, 2024).
D. S. Rigel, J. Russak, and R. Friedman, “The Evolution of Melanoma Diagnosis: 25 Years Beyond the ABCDs,” CA: A Cancer Journal for Clinicians, vol. 60, no. 5, pp. 301–316, Jul. 2010, https://doi.org/10.3322/caac.20074.
“ABCDEFG of melanoma | DermNet NZ,” dermnetnz.org. https://dermnetnz.org/topics/abcdes-of-melanoma (accessed Sep. 22, 2024).
H. Tran, K. Chen, A. C. Lim, J. Jabbour, and S. Shumack, “Assessing diagnostic skill in dermatology: A comparison between general practitioners and dermatologists,” Australasian journal of dermatology, vol. 46, no. 4, pp. 230–234, Sep. 2005, https://doi.org/10.1111/j.1440-0960.2005.00189.x.
M. Binder, “Epiluminescence Microscopy,” Archives of Dermatology, vol. 131, no. 3, p. 286, Mar. 1995, https://doi.org/10.1001/archderm.1995.01690150050011.
A. Buslaev, V. I. Iglovikov, E. Khvedchenya, A. Parinov, M. Druzhinin, and A. A. Kalinin, “Albumentations: Fast and Flexible Image Augmentations,” Information, vol. 11, no. 2, p. 125, Feb. 2020, https://doi.org/10.3390/info11020125.
H. Kittler, H. Pehamberger, K. Wolff, and M. Binder, “Diagnostic accuracy of dermoscopy,” The Lancet. Oncology, vol. 3, no. 3, pp. 159–65, 2002, https://doi.org/10.1016/s1470-2045(02)00679-4.
“ISIC Challenge,” challenge.isic-archive.com. https://challenge.isic-archive.com/ (accessed Sep. 22, 2024)
K. He, X. Chen, S. Xie, Y. Li, Piotr Dollár, and R. Girshick, “Masked Autoencoders Are Scalable Vision Learners,” Nov. 2021, https://doi.org/10.48550/arxiv.2111.06377.
A. Kirillov et al., “Segment Anything,” arXiv (Cornell University), Apr. 2023, doi: https://doi.org/10.48550/arxiv.2304.02643.
A. Radford et al., “Learning Transferable Visual Models From Natural Language Supervision,” arXiv.org, Feb. 26, 2021. http://arxiv.org/abs/2103.00020
S. N. Rao, “YOLOv11 Architecture Explained: Next-Level Object Detection with Enhanced Speed and Accuracy,” Medium, Oct. 22, 2024. https://medium.com/@nikhil-rao-20/yolov11-explained-next-level-object-detection-with-enhanced-speed-and-accuracy-2dbe2d376f71
A. A. Mudit, Shigwan, Saurabh J., and N. Kumar, “UnSegMedGAT: Unsupervised Medical Image Segmentation using Graph Attention Networks Clustering,” arXiv (Cornell University), Nov. 2024, https://doi.org/10.48550/arxiv.2411.01966.
C. Mattjie et al., "Zero-shot Performance of the Segment Anything Model (SAM) in 2D Medical Imaging: A Comprehensive Evaluation and Practical Guidelines," 2023 IEEE 23rd International Conference on Bioinformatics and Bioengineering (BIBE), Dayton, OH, USA, 2023, pp. 108–112, https://doi.org/10.1109/BIBE60311.2023.00025.
Y. Zhang, T. Zhou, S. Wang, Y. Wu, P. Gu, and D. Z. Chen, “SamDSK: Combining Segment Anything Model with Domain-Specific Knowledge for Semi-Supervised Learning in Medical Image Segmentation,” arXiv (Cornell University), Aug. 2023, https://doi.org/10.48550/arxiv.2308.13759.
J. Ma, Y. He, F. Li, L. Han, C. You, and B. Wang, “Segment Anything in medical images,” Nature Communications, vol. 15, no. 1, Jan. 2024, https://doi.org/10.1038/s41467-024-44824-z.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
