Класифікація уражень шкіри на основі згорткових нейронних мереж

Скорочена інформація про документ
dc.contributor.authorКлимчук, М. І.
dc.contributor.authorСердаковський, В. С.
dc.date.accessioned2023-02-21T13:32:28Z
dc.date.available2023-02-21T13:32:28Z
dc.date.issued2022
dc.description.abstractenBackground. Despite such a huge number of modern inventions in the field of medicine and information technology, the fight against such a disease as cancer still continues. Skin cancer remains the most common type of cancer. Although the incidence rate of melanoma is only about one percent of skin cancer cases, this form is the most dangerous and can lead to fatal consequences. Thanks to numerous studies that have been conducted recently, doctors assure that detecting signs of melanoma in the early stages leads to positive results in 90% of cases. Therefore, today, the task of early diagnosis of skin cancer is quite relevant. Traditionally, dermatologists use a microscope and take biopsies from patients in order to analyze the condition of the mole. However, such a diagnostic process is quite difficult and requires highly qualified specialists. Therefore, the task is to facilitate the diagnostic process and increase the accuracy of its results. For this purpose, artificial intelligence methods are widely used, namely: diagnosis of medical skin images for the presence of melanoma, using deep learning. Objective. The aim of the work is to build models and analyze the obtained experiments. Methods. In accordance with the set goal, convolutional neural networks were built: using the transfer learning technique, and building a neural network according to its own configuration. To train the model, 33,126 unique benign and malignant dermatoscopic skin images were used. This dataset was created by the International Skin Imaging Collaboration (ISIC), images were taken from the following sources: University of Queensland, Vienna Medical University, University of Athens Medical School, Barcelona Clinical Hospital, Memorial Sloan Kettering Cancer Center and Australian Melanoma Institute [9]. Results. The total sample was split into 80% for training, 10% for testing, and 10% for validation. The following architectures of convolutional neural networks were used for the study: Xception, ResNet50, ResNet101, InceptionV3, VGG16. The results of the experiments were obtained, which showed that the Xception Model on the test sample has the following values: AUC and Precision 86%, Recall: 96%, F1-score:.88%. The InceptionV3 model on the test sample has the following values: AUC: 88%, Precision 84%, Recall: 96%, F1-score: 87%. The ResNet50 model on the test sample has the following values: AUC: 87% and Precision 82%, Recall: 91%, F1-score:.86% The ResNet101 model on the test sample has the following values: AUC: 77% and Precision 72%, Recall: 76%, F1-score:.73% The VGG16 model on the test sample has the following values: AUC: 83% and Precision 71%, Recall: 74%, F1-score:.72%. Conclusions. As a result, fairly high-quality classification models were built, which can be used in software applications for diagnosing skin conditions.uk
dc.description.abstractukПроблематика. Незважаючи на таку величезну кількість сучасних винаходів в області медицини та інформаційних технологій, боротьба з таким захворюванням як рак, все ще продовжується. Найпоширенішим видом раку залишається рак шкіри. Хоча рівень захворюваності на меланому становить лише близько одного відсотка випадку раку шкіри, але дана форма являється найбільш небезпечною, і може призвести до летальних наслідків. Завдяки численним дослідженням, які були проведені за останній час, лікарі запевняють, що при виявлені ознак захворювання меланоми на ранніх стадіях у 90% випадків призводить до позитивних результатів. Тому на сьогодні, задача ранньої діагностики раку шкіри є досить актуальною. Традиційно лікарі дерматологи застосовують мікроскоп, та взяття біопсії у пацієнтів, для того щоб проаналізувати стан родимки. Однак, такий процес діагностики є досить непростим та потребує висококваліфікованих спеціалістів. Тому, постає задача полегшити процес діагностики, та підвищити точність її результатів. Для цього, широко застосовуються методи штучного інтелекту, а саме: проводять діагностику медичних зображень шкіри на наявність меланоми, застосовуючи глибинне навчання. Мета. Метою роботи є побудова моделей, та аналіз отриманих експериментів. Методика реалізації. Відповідно до поставленої мети, було побудовано згорткові нейронні мережі: з використанням методики трансферного навчання. Для навчання моделі, було використано 33 126 унікальних доброякісних та злоякісних дерматоскопічних зображень шкіри. Даний набір даних було створено Міжнародною колаборацією з візуалізації шкіри (ISIC), зображення були взяті з наступних джерел: Університет Квінсленда, Віденський медичний університет, Медична школа Афінського університету, клінічна лікарня Барселони, Меморіальний онкологічний центр Слоуна Кеттерінга та Австралійський інститут меланоми [9]. Результати дослідження. Загальна вибірка була розбита у співвідношенні 80% на навчання, 10% на тест та 10% на валідацію. Для дослідження були використані такі архітектури згорткових нейронних мереж: Xception, ResNet50, ResNet101, InceptionV3, VGG16. Були отримані результати експериментів, які показали, що Модель Xception на тестовій вибірці має такі значення: AUC та Precision 86%, Recall: 96%, F1-score:.88%. Модель InceptionV3 на тестовій вибірці має такі значення: AUC: 88%, Precision 84%, Recall: 96%, F1-score: 87%. Модель ResNet50 на тестовій вибірці має такі значення: AUC: 87% та Precision 82%, Recall: 91%, F1-score:.86% Модель ResNet101 на тестовій вибірці має такі значення: AUC: 77% та Precision 72%, Recall: 76%, F1-score:.73% Модель VGG16 на тестовій вибірці має такі значення: AUC: 83% та Precision 71%, Recall: 74%, F1-score:.72%. Висновки. В результаті були побудовані досить якісні моделі класифікації, які можна застосовувати у програмних застосунках по діагностиці стану шкіри.uk
dc.format.pagerangeС. 59-68uk
dc.identifier.citationКлимчук, М. І. Класифікація уражень шкіри на основі згорткових нейронних мереж / Климчук М. І., Сердаковський В. С. // Біомедична інженерія і технологія. – 2022. – № 7. – С. 59-68.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/52852
dc.language.isoukuk
dc.publisherКПІ ім.Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.sourceЖурнал Біомедична інженерія і технологія, № 7, 2022uk
dc.subjectМашинне навчанняuk
dc.subjectзгорткові нейронні мережіuk
dc.subjectмеланомаuk
dc.subjectрак шкіриuk
dc.subjectMachine learninguk
dc.subjectconvolutional neural networksuk
dc.subjectmelanomauk
dc.subjectskin canceruk
dc.subjectdiagnosisuk
dc.subject.udc616.5-006.81 + 004.8uk
dc.titleКласифікація уражень шкіри на основі згорткових нейронних мережuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
BmT-2022-7_p59-68.pdf
Розмір:
983.81 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Біомедична інженерія і технологія, № 7