Нейросетевой классификатор гиперспектральных снимков кожных патологий

Автор: Винокуров Всеслав Олегович, Матвеева Ирина Александровна, Христофорова Юлия Александровна, Мякинин Олег Олегович, Братченко Иван Алексеевич, Братченко Людмила Алексеевна, Морятов Александр Александрович, Козлов Сергей Васильевич, Мачихин Александр Сергеевич, Абдулхалим Ибрагим, Захаров Валерий Павлович

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений, распознавание образов

Статья в выпуске: 6 т.45, 2021 года.

Бесплатный доступ

В работе представлены результаты применения нейросетевого классификатора для анализа снимков злокачественных и доброкачественных кожных образований, полученных с помощью гиперспектральной камеры. С помощью трёхблочной нейросети архитектуры VGG произведена классификация набора двумерных изображений меланомы, папилломы и базальноклеточной карциномы, полученных в диапазонах 530 - 570 и 600 - 606 нм, характеризуемых наибольшим поглощением меланина и гемоглобина. Проанализирована достаточность включения в обучающий набор двумерных изображений ограниченного спектрального диапазона. Полученные результаты позволяют судить о значительных перспективах применения нейросетевых алгоритмов обработки гиперспектральных данных для классификации кожных патологий. При относительно малом наборе обучающих данных точность классификации для трех типов новообразований составила 96 %.

Еще

Гиперспектральная визуализация, нейросетевой классификатор, меланин, гемоглобин, онкопатология, меланома, базально-клеточная карцинома, vgg

Короткий адрес: https://sciup.org/140290287

IDR: 140290287 | DOI: 10.18287/2412-6179-CO-832

Список литературы Нейросетевой классификатор гиперспектральных снимков кожных патологий

Tests for melanoma skin cancer [Electronical Resource]. -2016. - URL: https:IIwww.cancer.orgIcancerImelanoma-skin-cancerIdetection-diagnosis-stagingIhow-diagnosed.html (request date 10.08.2020).
World cancer report 2008 I ed. by P. Boyle, D. Parkin. - Lyon: International Agency for Research on Cancer, 2008. - 511 p.
Siegel, R. Cancer statistics, 2012 I R. Siegel, D. Naishadham, A. Jemal II CA: A Cancer Journal for Clinicians. - 2012. - Vol. 62. - P. 10-29. - DOI: 10.3322Icaac.20138.
Siegel, R.L. Cancer statistics, 2019 I R.L. Siegel, K.D. Miller, A. Jemal II CA: A Cancer Journal for Clinicians. - 2019. - Vol. 69. - P. 8-10.
Злокачественные новообразования в России в 2018 году (заболеваемость и смертность) I А. Д. Каприн, В.В. Старинский, Г.В. Петрова. - M.: МНИОИ им. П.А. Герцена - филиал ФГБУ «НМИРЦ» Минздрава России, 2019. - 250 c.
de Oliveira Santos, M. Estimativa 2018: Incidência de cáncer no Brasil I M. de Oliveira Santos II Revista Brasileira De Cancerologia. - 2018. - Vol. 64, No. 1. - P. 119-120.
de Almeida, V.L. Cáncer e agentes antineoplásicos ciclo-celular específicos e ciclo-celular naoespecíficos que inter-agem com o dna: uma introduçao I V.L. de Almeida, A. Leitao, L.d.C.B. Reina [et al.] II Química Nova. - 2005. - Vol. 28, Issue 1. - P. 118-129.
Carvalho, G.C. Principais marcadores moleculares para os cáncer de pele e mama I G.C. Carvalho, F. Alves II NBC-Periodico Científico do Nucleo de Biociencias. - 2014. -Vol. 4, No. 07. - P. 11-17.
Figueiredo, L.C. Cancer de pele: estudo dos principais marcadores molecularesdo melanoma cutaneo / L.C. Figueiredo, L.N. Cordeiro, A.P. Arruda [et al.] // Revista Brasileira De Cancerologia. - 2003. - Vol. 49, Issue 3. - P. 179-183.
Братченко, И.А. Гиперспектральная визуализация патологий кожи в видимой области / И.А. Братченко, М.В. Алонова, О.О. Мякинин, А.А. Морятов, С.В. Козлов, В.П. Захаров // Компьютерная оптика. -2016. - Т. 40, № 2. - С. 240-248. - DOI: 10.18287/24126179-2016-40-2-240-248.
Clark, W.H. Origin of familial malignant melanomas from heritable melanocytic lesions. The B-K mole syndrom / W.H. Clark, R.R. Reimer, M. Greene [et al.] // Archives of Dermatology. - 1978. - Vol. 114, Issue 5. - P. 732-739.
Elder, D.E. Displastic nevus syndrome. A pfenotypic asso-tiation of sporadic cutaneous melanoma / D.E. Elder, J. Leonardi, J. Goldman [et al.] // Cancer. - 1980. - Vol. 46, Issue 8. - P. 1787-1794.
Романова, О.А. Клинический случай крупного прогрессирующего диспластического невуса с переходом в меланому / О.А. Романова, Н.Г. Артемьева, М. Г. Солохина // Клиническая дерматология и венерология. - 2018. - № 17. - С. 34-37. - DOI: 10.17116/klinderma201817234-37.
Gross, P.E. Challenges to effective cancer control in China, India, and Russia / P.E. Gross, K. Strasser-Weippl, B.L. Lee-Bychkovsky [et al.] // The Lancet Oncology. -2014. - Vol. 15. - P. 489-538. - DOI: 10.1016/S1470-2045(14)70029-4.
Carli, P. Dermatoscopy in the diagnosis of pigmented skin lesions: a new semiology for the dermatologist / P. Carli, V. De Giorgi, H. Soyer [et al.] // The Journal of the European Academy of Dermatology and Venereology. - 2000. -Vol. 14, Issue 5. - P. 353-369.
Jacques, S.L. Imaging skin pathology with polarized light / S.L. Jacques, J.C. Ramella-Roman, K. Lee // Journal of Biomedical Optics. - 2002. - Vol. 7, Issue 3. - P. 329-340.
Cicchi, R. Combined fluorescence-Raman spectroscopic setup for the diagnosis of melanocytic lesions / R. Cicchi, A. Cosci, S. Rossari // Journal of Biophotonics. - 2014. -Vol. 7, Issues 1-2. - P. 86-95. - DOI: 10.1002/jbio.201200230.
Khristoforova, Y.A. Portable spectroscopic system for in vivo skin neoplasms diagnostics by Raman and autofluorescence analysis / Y.A. Khristoforova, I.A. Bratchenko, O.O. Myakinin, D.N. Artemyev, A.A. Moryatov, A.E. Orlov, S.V. Kozlov, V.P. Zakharov // Journal of Bio-photonics. - 2019. - Vol. 12, Issue 4. - e201800400. - DOI: 10.1002/jbio.201800400.
Zhao, J. Incorporating patient demographics into Raman spectroscopy algorithm improves in vivo skin cancer diagnostic specificity / J. Zhao, H. Zeng, S. Kalia, H. Lui // Translational Biophotonics. - 2019. - Vol. 1, Issues 1-2. -e201900016. - DOI: 10.1002/tbio.201900016.
Kong, K. Diagnosis of tumors during tissue-conserving surgery with integrated autofluorescence and Raman scattering microscopy / K. Kong, C.J. Rowlands, S. Varma // Proceedings of the National Academy of Sciences. - 2013. - Vol. 110, Issue 38. - P. 15189-15194. - DOI: 10.1073/pnas.1311289110.
Tuchin, V.V. Tissue optics and photonics: Light-tissue interaction / V.V. Tuchin // Journal of Biomedical Photonics & Engineering. - 2015. - Vol. 1, No. 2. - P. 98-134. -20151298. - DOI: 10.18287/jbpe-2015-1-2-98.
Zherdeva, L.A. In vivo hyperspectral imaging and differentiation of skin cancer / L.A. Zherdeva, I.A. Bratchenko, O.O. Myakinin // Proceedings of SPIE. - 2016. -Vol. 10024. - 100244G. - DOI: 10.1117/12.2246433.
Bratchenko, I.A. In vivo hyperspectral analysis of skin hemoglobin and melanin content for neoplasia detection / I.A. Bratchenko, O.O. Myakinin, V.P. Sherendak [et al.] // Journal of Biomedical Photonics & Engineering. - 2018. -Vol. 4, No. 4. - 040301. - DOI: 10.18287/JBPE18.04.040301.
Chang, C.I. Hyperspectral imaging: Techniques for spectral detection and classification / C.L. Chang. - Boston: Springer, 2003. - ISBN: 978-0-306-47483-5.
Pan, B. R-VCANet: A new deep-learning-based hyperspectral image classification method / B. Pan, Z. Shi, X. Xu // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. - 2017. - Vol. 10, Issue 5. -P. 1975-1986.
Шерендак, В.П. Гиперспектральный in vivo анализ хромофоров нормальной кожи и визуализация онкологических патологий / В.П. Шерендак, И.А. Братченко, О.О. Мякинин, П.Н. Вольхин, Ю.А. Христофорова, A.А. Морятов, А.С. Мачихин, В.Э. Пожар, С.Г. Козлов,B.П. Захаров // Компьютерная оптика. - 2019. - Т. 43, № 4. - С. 661-670. - DOI: 10.18287/2412-6179-2019-43-4661-670.
Krizhevsky, A. ImageNet classification with deep convolu-tional neural networks / A. Krizhevsky, I. Sutskever, G.E. Hinton // NIPS' 12: Proceedings of the 25th International Conference on Neural Information Processing Systems. -2012. - Vol. 1. - P. 1097-1105.
Hu, W. Deep convolutional neural networks for hyperspectral image classification / W. Hu, Y. Huang, L. Wei [et al.] // Journal of Sensors. - 2015. - Vol. 2015. -258619. - DOI: 10.1155/2015/258619.
Ma, X. Hyperspectral image classification via contextual deep learning / X. Ma, J. Geng, H. Wang // EURASIP Journal on Image and Video Processing. - 2015. - Vol. 20, Issue 1. - 20.
Halicek, M. Deep convolutional neural networks for classifying head and neck cancer using hyperspectral imaging / M. Halicek [et al.] // Journal of Biomedical Optics. - 2017. - Vol. 22. - 060503. - DOI: 10.1117/1.JBO.22.6.060503.
Pardo, A. On the spectral signature of melanoma: a non-parametric classification framework for cancer detection in hyperspectral imaging of melanocytic lesions / A. Pardo, J.A. Gutiérrez-Gutiérrez, I. Lihacova, J.M. López-Higuera, O.M. Conde // Biomedical Optics Express. - 2018. - Vol. 9, Issue 12. - P. 6283-6301.
Machikhin, A. Aberration analysis of AOTF-based spectral imaging systems / A. Machikhin, V. Batshev, V. Pozhar // Journal of the Optical Society of America A. - 2017. -Vol. 34, Issue 7. - P. 1109-1113.

Еще

Статья научная