<div>
	КЛАССИФИКАЦИЯ ИЗОБРАЖЕНИЙ ПЕРВИЧНЫХ ЭЛЕМЕНТОВ КОЖНОЙ СЫПИ</div>

Полевая Татьяна Андреевна, Саитов Игорь Акрамович, Раводин Роман Анатольевич, Фильченков Андрей Александрович

doi:10.17586/2226-1494-2019-19-2-333-338

2019 , ТОМ 19, НОМЕР 2 ( март-апрель )

ISSN 2226-1494 (print), ISSN 2500-0373 (online)

Меню

Публикации

Главный редактор

НИКИФОРОВ
Владимир Олегович
д.т.н., профессор

Партнеры

doi: 10.17586/2226-1494-2019-19-2-333-338

УДК 004.85

КЛАССИФИКАЦИЯ ИЗОБРАЖЕНИЙ ПЕРВИЧНЫХ ЭЛЕМЕНТОВ КОЖНОЙ СЫПИ

Полевая Т.А., Саитов И.А., Раводин Р.А., Фильченков А.А.

Читать статью полностью

Язык статьи - русский

Ссылка для цитирования:

Полевая Т.А., Саитов И.А., Раводин Р.А., Фильченков А.А. Классификация изображений первичных элементов кожной сыпи // Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19. № 2. С. 333–338. doi: 10.17586/2226-1494-2019-19-2-333-338

Аннотация

Рассмотрена задача классификации изображений методами глубокого обучения для выявления первичных морфологических элементов кожной сыпи. Одним из перспективных направлений повышения качества медицинской помощи больным дерматовенерологического профиля является создание информационно-диагностических систем и систем поддержки принятия решений. В качестве одного из компонентов таких систем может выступать модуль автоматического определения первичных элементов сыпи на изображениях пораженных участков кожи. Предложен метод глубокого обучения и переноса знаний для классификации изображений первичных элементов кожной сыпи. Проанализирована зависимость точности получаемого классификатора изображений кожной сыпи от алгоритма обучения нейронных сетей. Приведены результаты экспериментов по применению метода для классификации следующих первичных элементов: гнойничок, пятно, узел, папула, плоская бляшка. Алгоритм, реализующий метод, показал точность 76,00 % на 5 классах первичных элементов кожной сыпи (гнойничок, пятно, узел, папула, плоская бляшка), 77,50 % на 4 классах (пятно, узел, папула, плоская бляшка) и 81,67 % на 3 классах (узел, папула, плоская бляшка).

Ключевые слова: кожное заболевание, первичные морфологические элементы кожной сыпи, перенос знаний, машинное обучение, автоматическая диагностика, VGG16

Благодарности. Исследования проводились при поддержке Правительства РФ, грант 08-08, и Фонда содействия инновациям, НИОКР 2219ГС1/37055.

Список литературы

Esteva A., Kuprel B., Novoa R.A., Ko J., Swetter S.M., Blau H.M., Thrun S. Dermatologist-level classification of skin cancer with deep neural networks // Nature. 2017. V. 542. N 7639. P. 115–118. doi: 10.1038/nature21056
Gutman D., Codella N.C.F., Celebi M.E., Helba B., Marchetti M.A. et al. Skin lesion analysis toward melanoma detection: a challenge at the international symposium on biomedical imaging (ISBI) 2016, hosted by the international skin imaging collaboration (ISIC) // arXiv.org, arXiv:1605.01397.
Codella N.C.F., Gutman D., Celebi M.E., Helba B., Marchetti M.A., Dusza S.W., Kalloo A., Liopyris K., Mishra N.K., Kittler H., Halpern A. Skin lesion analysis toward melanoma detection: A challenge at the 2017 international symposium on biomedical imaging (ISBI), hosted by the international skin imaging collaboration (ISIC) // Proc. IEEE 15^th Int. Symposium on Biomedical Imaging. Washington, 2018. doi: 10.1109/isbi.2018.8363547
Ambad P.S., Shirsat A.S. A image analysis system to detect skin diseases // IOSR Journal of VLSI and Signal Processing. 2016. V. 6. N 5. P. 17–25. doi: 10.9790/4200-0605011725
Arifin M.S., Kibria M.G., Firoze A. et al. Dermatological disease diagnosis using color-skin images // International Conference on Machine Learning and Cybernetics. 2012. V. 5. P. 1675–1680. doi: 10.1109/icmlc.2012.6359626
Yasir N.A.R., Ashiqur R. Dermatological disease detection using image processing and artificial neural network // Proc. 8^th Int. Conf. on Electrical and Computer Engineering. Dhaka, Bangladesh, 2015. P. 687–690. doi: 10.1109/icece.2014.7026918
Goldsmith L., Katz S., Gilchrest B., Paller A., Leffell D., Wolff K. Fitzpatrick’s Dermatology in General Medicine. 7^th ed. NY: McGraw-Hill, 2008.
James W.D., Berger T.G., Elston D. (eds) Andrews’ Diseases of the Skin. 11^th ed. Saunders, 2011.
Bolognia J.L., Jorizzo J.J., Schaffer J.V., Callen J.P., Cerroni L.et al.Dermatology. 4^thed. Elsevier, 2012.
Macatangay J.M.A., Ruiz C.R., Usatine R.P. A primary morphological classifier for skin lesion images [Электронный ресурс]. Режим доступа: http://wscg.zcu.cz/wscg2017/full/I37-full. PDF, свободный. Яз. англ. (дата обращения 15.12.2018).
Rublee E., Rabaud V., Konolige K., Bradski G. ORB: an efficient alternative to SIFT or SURF // Proc. IEEE Int. Conf. on Computer Vision. Barcelona, Spain, 2011. P. 2564–2571. doi: 10.1109/iccv.2011.6126544
Olivas E.S., Guerrero J.D., Sober M.M. et al. Handbook of Research on Machine Learning Applications and Trends: Algorithms, Methods, and Techniques. New York: Information Science Reference, 2010.
Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // CoRR. 2015. arXiv:1409.1556
Shin H.C., Roth H., Gao M., Lu L., Xu Z., Nogues I., Yao J., Mollura D.J., Summers R.M. Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning // IEEE Transactions on Medical Imaging. 2016. V. 35. N 5. P. 1285–1298. doi: 10.1109/tmi.2016.2528162
Xie S.M., Jean N., Burke M., Lobell D.B., Ermon S. Transfer learning from deep features for remote sensing and poverty mapping // CoRR. 2016. arXiv:1510.00098
Loshchilov I., Hutter F. SGDR: stochastic gradient descent with restarts // Proc. Int. Conf. on Learning Representations. Toulon, France,2017.
Smith L.N. No morepesky learning rate guessing games // CoRR. 2015. arXiv:1506.01186.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License