Автоматизированная диагностика меланомы на основе алгоритма Штольца

Аннотация

В статье рассматривается алгоритм автоматизации диагностирования меланомы с помощью компьютерного зрения и нейронного классификатора. Целью исследования является разработка алгоритма для эффективной классификации меланомы на изображениях, а также влияние дерматоскопических признаков на постановку диагноза. Выделены новообразования на изображении. Проведен расчет параметров для формулы Штольца и расчет TDS (вычисление диагноза). На основе произведенных расчетов решена задача оптимизации для уточнения границ областей дифференциации новообразований и корректировки коэффициентов формулы Штольца и сгенерирован набор для обучения нейронной сети, в качестве классификатора выбран MLP. Средняя точность алгоритма на двух независимых наборах данных составляет 86 %. Дана классификация нейронной сетью двух наборов изображений по параметрам Штольца. По результатам поставлен диагноз. На основе алгоритма Штольца набор изображений с новообразованиями кожного покрова предварительно обрабатывается: новообразование выделяется, по изображению рассчитываются признаки ABCD и общий дерматоскопический балл. Предложенный алгоритм автоматизированной диагностики меланомы на основе дерматоскопического метода Штольца показал хорошие результаты на реальных наборах изображений. Пониженная точность модели на наборе HAM10000 обусловлена несбалансированностью классов (соотношение классов 1 к 9). Высокое значение F-меры указало на хороший баланс между чувствительностью и специфичностью модели, модель склонна лучше обнаруживать меланомы - истинно положительные случаи (TP). Высокая чувствительность является желательной в задачах, где снижение ложноотрицательных результатов (пропущенных положительных случаев) критически важно, даже за счет увеличения числа ошибок первого рода. Полнота модели составила 88,54 и 95 % и говорит о том, что в модели минимизированы случаи пропусков заболевания. Сделан вывод, что чем точнее будут рассчитаны параметры ABCD, тем точнее модель сможет классифицировать заболевание, в перспективе уточнение и разбиение параметра D на несколько составляющих может дать модели дополнительные признаки для классификации.