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
Як цитувати
Номер
Розділ
Ліцензія
Автори, які публікуються в цьому журналі, погоджуються з наступними умовами:
Автори зберігають авторські права та надають журналу право першої публікації роботи, одночасно ліцензованої за ліцензією Creative Commons Attribution License, яка дозволяє іншим поширювати роботу з посиланням на авторство роботи та її першу публікацію в цьому журналі.
Автори можуть укладати окремі додаткові договірні угоди щодо неексклюзивного розповсюдження опублікованої в журналі версії роботи (наприклад, розміщувати її в інституційному репозиторії або публікувати в книзі) з посиланням на її першу публікацію в цьому журналі.
Авторам дозволяється та заохочується розміщувати свої роботи онлайн (наприклад, в інституційних репозиторіях або на своєму вебсайті) до та під час процесу подання, оскільки це може призвести до продуктивного обміну, а також до більш раннього та більшого цитування опублікованих робіт (див. Вплив відкритого доступу).
