RU2685469C1 - Способ ранней автоматизированной дистанционной диагностики меланомы кожи - Google Patents
Способ ранней автоматизированной дистанционной диагностики меланомы кожи Download PDFInfo
- Publication number
- RU2685469C1 RU2685469C1 RU2018107018A RU2018107018A RU2685469C1 RU 2685469 C1 RU2685469 C1 RU 2685469C1 RU 2018107018 A RU2018107018 A RU 2018107018A RU 2018107018 A RU2018107018 A RU 2018107018A RU 2685469 C1 RU2685469 C1 RU 2685469C1
- Authority
- RU
- Russia
- Prior art keywords
- skin
- melanoma
- images
- layer
- diagnosis
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Abstract
Изобретение относится к медицине, а именно к онкологии, и может быть использовано для диагностики меланомы кожи. Предложен способ ранней автоматизированной дистанционной диагностики меланомы кожи, заключающийся в выполнении цифровых фотографий, компьютерном картрировании кожных покровов пациента с созданием базы данных всех выявленных пигментных новообразований кожи, при этом выявляются очаги, подозрительные на меланому, отличающийся тем, что анализируют исходные изображения подозрительных участков кожи, производят уменьшение изображений до размера 512×512 пикселей, проводят автоматическую диагностику меланомы по исходным изображениям участков кожи с помощью трехслойной компьютерной программы типа «нейронные сети», предварительно обученной различать меланому кожи на основе эталонных изображений, включающей предобработчик, автоматически выделяющий на основе анализа спектра Фурье исходные изображения существенных признаков, позволяющих разделить эти изображения на два класса, соответствующие наличию диагноза меланомы кожи или его отсутствию; с помощью данной компьютерной программы каждому эталонному изображению обучающей выборки ставят в соответствие нейрон третьего слоя; в пространстве преобразованных изображений нейроны третьего слоя оценивают эвклидово расстояние от каждого эталонного изображения обучающей выборки до тестируемого изображения, при этом полученным оценкам присваивают положительный или отрицательный знак в зависимости от класса - наличие или отсутствие меланомы, к которому отнесено эталонное изображение; среди 70-ти нейронов первого слоя в каждом из двух классов выявляют «победителей» по минимуму эвклидова расстояния от эталонного изображения до тестируемого; с помощью 20-ти нейронов второго слоя суммируют обратные величины эвклидовых расстояний, взятых с соответствующим знаком, в группах «победителей» и на основе сравнения суммы с нулевой пороговой величиной определяют класс тестируемого изображения, соответствующий диагнозу меланомы кожи либо его отсутствию. Изобретение обеспечивает повышение вероятности диагностирования меланомы кожи, устранение зависимости ее качества от недостаточной квалификации специалиста, автоматический режим диагностики, выявление групп высокого риска меланомы кожи среди всего населения. 1 ил., 1 табл.
Description
Изобретение относится к медицине, а именно к онкологии, и может быть использовано для диагностики меланомы кожи.
Меланома кожи относится группе опухолей, обладающих наиболее злокачественным течением, с обширным и быстрым лимфогенным и гематогенным метастазированием. В мире, по данным МАИР, за последний год было зарегистрировано более 14,1 млн новых случаев злокачественных новообразований, из них умерло около 8,2 млн. Таким образом, каждый седьмой смертельный случай в мире от рака кожи - это смерть от прогрессии меланомы кожи.
Проводя сравнительный анализ с ростом других заболеваний (СПИД, туберкулез, и малярия) следует отметить, что умерших от меланомы кожи больше, чем от всех вместе взятых [1, 2, 3]. Из года в год во всем мире заболеваемость раком кожи, среди которых меланома кожи составляет 3-5%, продолжает расти [1, 2, 4, 8]. По данным ряда авторов, в среднем за год заболеваемость МК в мире увеличивается на 5%, и этот показатель считается одним из самых высоких среди злокачественных новообразований всех локализаций [5, 4, 6, 7]. В России, в структуре заболеваемости злокачественными опухолями, по данным Давыдова М.Е. и Аксель Е.М., составила 16% [9].
Среди нескольких этиологических факторов возникновения меланомы кожи ведущая роль отводится наследственно - генетическим, конституциональным, а также избыточной солнечной и УФ-инсоляции. Меланома кожи чаще встречается у лиц со светлой кожей, светлыми или рыжими волосами, голубыми и серыми глазами. Среди других факторов риска выделяется наличие множества невусов и веснушек на коже.
Меланома кожи может возникнуть на неизмененной коже, на фоне невуса или меланотического пятна (меланоз Дюбрея). Улучшение диагностики меланомы кожи в последние десятилетия позволило в два раза увеличить 5-ти летнюю выживаемость при использовании традиционных методов лечения (хирургическая операция, химио- и иммунотерапия). В связи с этим разработка новых методов ранней диагностики меланомы кожи считается наиболее важным компонентом улучшения прогноза и результативности лечения данного заболевания.
В настоящее время во многих странах мира ведется активный поиск и разработка новых методов ранней диагностики меланомы кожи in vivo. К наиболее высокотехнологичным методам, в частности, относятся эпилюминисцентная микроскопия, оптическая когерентная томография, конфокальная лазерная микроскопия (Dermatol Ther. 2006; 19(1): 32-9, J. Dermatol Sci, 2005; 40(2): 85-94, Mod Pathol, 2005; 18: 469). Предполагается по данным предварительных клинических испытаний, что указанные неинвазивные методы позволят выявлять признаки злокачественной меланомы кожи на микроскопическом, клеточном уровне.
Однако, данные методы диагностики имеют ограниченное применение при массовых скрининговых исследованиях из-за высокой стоимости и технологической сложности аппаратуры, которая может использоваться лишь узким кругом высококвалифицированных специалистов.
Известен способ ранней диагностики меланомы кожи с использованием комплекса для создания цифровых фотоснимков всего кожного покрова человека, включая дерматоскопические снимки отдельных пигментных новообразований кожи (British Journal of Dermatol. 2004 April; 150: 706-714). Данный способ позволяет более качественно наблюдать за изменяющимися и вновь появившимися пигментными новообразованиями кожи. Результаты исследований показали, что при динамическом наблюдении в 35% случаев выявления новых и изменяющихся пигментных новообразований диагностирована меланома кожи. При этом значительно увеличивается частота выявления меланомы кожи на ранней стадии развития.
Недостатком данного способа является ограничение размера наблюдаемых пигментных новообразований кожи до 6 мм, невозможность выявления изменений в ряду (динамике) произведенных цифровых снимков.
Известен способ комплексной диагностики меланомы кожи (RU №2322943, А61В 5/103; А61K 31/195, 27.04.2008), при котором на первом этапе выполняют цифровую фотографию и компьютерное картирование кожных покровов пациента с созданием базы данных всех выявленных пигментных новообразований кожи, при этом выделяются очаги, подозрительные на меланому; на втором этапе проводят прицельную фотографию каждого подозрительного новообразования с увеличением изображения в 5-10 раз; на третьем этапе выполняют дермоскопию подозрительных новообразований с увеличением до 120 раз; на четвертом этапе проводят флуоресцентную диагностику подозрительных пигментных образований кожи с применением 5-аминолевулиновой кислоты в виде 20% мази, которую выдерживают на обследуемом участке 2-6 час.
Все полученные фото- и видеоматериалы, а также спектры флуоресценции в цифровом виде переносятся в компьютер и автоматически обрабатываются специальными прикладными программами с использованием базисных клинико-диагностических и дермоскопических алгоритмов. Полученные данные могут быть использованы для первичной диагностики, для проведения телеконсультации со специалистами других регионов России и зарубежных стран, для создания диспансерных групп онкологического риска и для их дальнейшего динамического наблюдения.
Способ позволяет улучшить раннюю диагностику меланомы кожи и повысить результативность диспансерного наблюдения в группах риска; уточнить истинные границы меланомы кожи, выявить наличие мультицентричных очагов и транзитных внутрикожных метастазов.
Однако, данный способ имеет ряд недостатков: для определения микрометастазов с помощью флуоресцентной диагностики необходимо длительное исследование пациента (2-6 часов), что накладывает существенное ограничение на массовость использования данного метода. Существенным недостатком данного способа является то, что база данных предназначена для описания только одного пациента.
Заявляемое изобретение направлено на решение задачи повышения достоверности, информативности, эффективности выявления меланомы кожи на ранней стадии путем дистанционного обследования пациентов, своевременной диагностики факторов риска развития меланомы кожи и применения компьютерной диагностики лицами без медицинского образования.
Технический результат заявленного изобретения - повышение вероятности диагностирования меланомы кожи, устранение зависимости ее качества от недостаточной квалификации специалиста, обеспечение автоматического режима диагностики, выявление групп высокого риска меланомы кожи среди всего населения, своевременное назначение комплекса мероприятий, направленных на предупреждение и снижение развития поздних меланом кожи, облегчение алгоритмизации ее диагностики.
Технический результат изобретения достигается тем, что способ ранней комплексной автоматизированной дистанционной диагностики меланомы кожи заключается в выполнении цифровых фотографий, компьютерном картрировании кожных покровов пациента с созданием базы данных всех выявленных новообразований кожи при котором выявляются очаги, подозрительные на меланому, при этом анализируют исходные цифровые изображения подозрительных участков кожи, производят уменьшение изображений до размера 512×512 пикселей, проводят автоматическую диагностику новообразований кожи по исходным изображениям участков кожи с помощью трехслойной компьютерной программы типа «нейронные сети», предварительно обученной различать меланому кожи на основе эталонных изображений, включающей предобработчик, автоматически выделяющий на основе анализа спектра Фурье исходные изображения наиболее существенных признаков, позволяющих разделить эти изображения на два класса, соответствующие наличию диагноза меланомы кожи или его отсутствию; с помощью данной компьютерной программы каждому эталонному изображению обучающей выборки ставят в соответствие нейрон третьего слоя (их всего 2, соответственно 2-м классам и диагнозу); в пространстве преобразованных изображений нейроны третьего слоя оценивают эвклидово расстояние от каждого эталонного изображения обучающей выборки до тестируемого изображения, при этом полученным оценкам присваивают положительный или отрицательный знак в зависимости от класса - наличие или отсутствия меланомы, к которому отнесено эталонное изображение; среди 70-ти нейронов первого слоя в каждом из двух классов выявляют несколько победителей по минимуму эвклидова расстояния от эталонного изображения до тестируемого; с помощью 20 нейронов второго слоя суммируют обратные величины эвклидовых расстояний, взятых с соответствующим знаком, в группах «победителей» и на основе сравнения суммы с нулевой пороговой величиной определяют класс тестируемого изображения, соответствующий диагнозу меланомы кожи либо его отсутствию с вероятностью порядка 90%.
На практике способ ранней комплексной автоматизированной дистанционной диагностики меланомы кожи выполняют в три этапа.
На первом этапе выполняют сбор информации по обследуемому пациенту.
Проводят регистрацию пациента, осуществляют стандартный сбор информации, его анкетирование вплоть до паспортных данных, далее производят фотографирование и картирование новообразований кожи пациента. Кроме паспортных данных собирают и накапливают данные следующих факторов (признаков): рост (см); вес (кг); площадь поверхности тела; пол муж/жен; онкозаболевания в анамнезе; ЗНО у членов семьи; цвет волос; цвет глаз; цвет кожи; веснушки; фототип кожи; ожоги в анамнезе; рассовая принадлежность; количество пигментных новообразований; тип телосложения; употребление алкоголя; работа в замкнутом помещении; лампы накаливания; отдых в жарких странах; вредные химические производства; электронная промышленность; радиация; этническое происхождение; профессия; характер труда; регион наибольшего постоянного проживания до начала заболевания; посещение соляриев; отдых на юге до 30 лет; отдых на юге 30-50 лет; отдых на юге старше 50 лет; солнечные ожоги; солнцезащитные кремы; пребывание на свежем воздухе (сад, огород, сезонная работа); курение, (лет); стресс; питание; индекс массы тела; общее количество обычных приобретенных невусов; количество диспластических невусов; наличие врожденных гигантских невусов; наличие веснушек; наличие солнечного лентиго; наличие витилиго; злокачественные опухоли у ближайших родственников Линия 1(мама, папа, брат, сестра), количество; злокачественные опухоли у ближайших родственников Линия 2 (бабушка, дедушка) количество; плоскоклеточный рак в анамнезе; базалиома в анамнезе; лимфома кожи в анамнезе; другие злокачественные новообразования; гепатит В; гепатит С; ВИЧ инфекция; сахарный диабет; пигментная ксеродерма; нейро-кожный меланоз; количество беременностей; роды; аборты, пероральные контрацептивы.
Оценка социальных факторов позволяет выявить принадлежность пациента к группам риска, например, возраст, пол, экологическая обстановка, медико-демографическая характеристика, отдельные экзо- и эндогенные факторы.
На втором этапе в электронном виде информацию сохраняют и накапливают в базе данных, представляющую интерес для последующей диагностики меланомы кожи и прогнозирования течения болезни.
Полученная информация формализуется и стандартизируется. Это процесс сведения всех полученных данных к единой форме, которая должна соответствовать требованиям компьютерной обработки и обеспечивать сопоставимость всех данных между собою, а также обеспечить их доступность для последующей обработки.
Выполнение цифровых фотографий и компьютерное картирование кожных покровов пациента, на основе которых создается база данных пигментных и беспигментных новообразований, и выделяются новообразования кожи, подозрительные на наличие меланомы.
Цифровое картирование новообразований кожи - это диагностическая методика, представляющая создание фотоархива. В процессе обследования составляется «карта» человеческого тела, с отметкой подозрительных участков.
Благодаря регулярному цифровому картированию удается зафиксировать изменения в состоянии невусов и родимых пятен. Наличие глобальной компьютерной сети интернет позволяет использовать общедоступные базы данных с цифровыми изображениями клинических случаев меланомы кожи на разных стадиях болезни и лечения. Накопление информации на втором этапе для дальнейшего использования основывается на следующих важнейших составляющих:
1. Пополняемая эталонная база данных;
2. Первичная общая база данных (начальные параметры диагностики);
3. Динамическое наблюдение;
4. Гистологическая верификация МК (операция);
5. Региональная база эталонов;
6. Неполные данные, описания, артефакты;
7. База данных классифицированных программой новообразований кожи;
8. База новообразований кожи с высоким риском МК;
9. База новообразований кожи с промежуточным риском МК;
10. База новообразований кожи с низким риском МК.
Пополняемая эталонная база данных является основным источником информации для автоматической генерации математических моделей диагностики меланомы кожи по признакам, выявляемым у больных с меланомой и при отсутствии данного диагноза. Диагноз внесенных в базу цифровых изображений должен быть клинически подтвержден.
Первичная общая база данных предназначена для принятия решений по клиническим случаям, при обследовании новых вносимых в базу пациентов. База данных классифицированных программой новообразований кожи является частью системы автоматизированной диагностики и позволяет получить реальный процент правильных диагнозов и рассчитать долю ошибок диагностики. Кроме этого, база классифицированных программой случаев МК дает возможность определить качество обучения системы (тестирующая выборка) при увеличении обучающей выборки и проведении переобучения.
Проводится предварительная обработка анализируемого изображения новообразований кожи с компьютерной очисткой изображений и удалением помех.
На третьем этапе выполняется автоматизированный анализ обученной нейронной сетью с принятием диагностического решения. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения - одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет предоставить верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.
На Фиг. 1 представлен процесс формирования диагностического решения обученной нейронной сетью, который принимается по данным, представленным информацией первого и второго этапов работы программы. Основные данные формируются из цифровых изображений новообразований кожи после математической обработки. Клинические и социальные факторы являются дополнительными источниками информации для постановки диагноза.
Анализируют исходные цифровые изображения подозрительных участков кожи, производят уменьшение изображений до размера 512×512 пикселей, проводят автоматическую диагностику новообразований кожи по исходным изображениям участков кожи с помощью трехслойной компьютерной программы типа «нейронные сети», предварительно обученной различать меланому кожи на основе эталонных изображений, включающей предобработчик, автоматически выделяющий на основе анализа спектра Фурье исходные изображения наиболее существенных признаков, позволяющих разделить эти изображения на два класса, соответствующие наличию диагноза меланомы кожи или его отсутствию; с помощью данной компьютерной программы каждому эталонному изображению обучающей выборки ставят в соответствие нейрон третьего слоя (их всего 2, соответственно 2-м классам и диагнозу); в пространстве преобразованных изображений нейроны третьего слоя оценивают эвклидово расстояние от каждого эталонного изображения обучающей выборки до тестируемого изображения, при этом полученным оценкам присваивают положительный или отрицательный знак в зависимости от класса (наличие или отсутствия меланомы), к которому отнесено эталонное изображение; среди 70-ти нейронов первого слоя в каждом из двух классов выявляют несколько победителей по минимуму эвклидова расстояния от эталонного изображения до тестируемого; с помощью 20 нейронов второго слоя суммируют обратные величины эвклидовых расстояний, взятых с соответствующим знаком, в группах «победителей» и на основе сравнения суммы с нулевой пороговой величиной и определяют класс тестируемого изображения, соответствующий диагнозу меланомы кожи либо его отсутствию с вероятностью порядка 90%.
Входные сигналы нейронной сети формируются из характеристик анализируемого изображения участка кожи пациента с учетом следующих показателей:
- неровный край;
- неодинаковый цвет разных частей невуса;
- диаметр невуса более 6 миллиметров;
- изменчивость невуса;
- спектральные характеристики изображения на снимке;
- однородность изображения, показатели его вариабельности.
- правильность формы новообразования кожи.
Все функции диагностики и включения в базу данных новой информации обеспечивает специально разработанная компьютерная программа, которая была создана с применением инструментального пакета программ C++BuilderXE8 Professional Named User (License Certificate Number: 418110 Contact: Yuriy Minaev. Company: Samara Medical Institute "REAVIZ"). Дата регистрации 26 августа 2015 г.
Определение диагноза осуществляет обученная нейронная сеть. Использование данного алгоритма дает возможность получить оптимальный результат с правильной диагностикой меланомы кожи в 90% случаев.
Проведенное исследование качества диагностики программы нейронной сети на основе базы данных пациентов численностью 1177 чел. показало следующие результаты (табл. 1).
Доля правильных диагнозов составила 90,4% (сумма клеток A+D).
Все полученные фото- и видеоматериалы в цифровом виде поступают на удаленный сервер и пополняют общую базу данных вместе с клинической информацией и служат для повышения качества диагностики. Полученные данные могут быть использованы для первичной диагностики, для проведения телеконсультаций со специалистами других регионов России и зарубежных стран, для создания диспансерных групп онкологического риска и для их дальнейшего динамического наблюдения.
Способ ранней комплексной автоматизированной дистанционной диагностики меланомы кожи основан на использовании автоматизированной базы данных, включающей как информацию по пациентам с подтвержденным диагнозом меланомы кожи, так и пациентам с отрицательным результатом диагностики меланомы кожи. Все данные находятся в глобальной сети Интернет на сервере (в «облаке»), доступном в любое время из любой точки.
Новым продуктом является компьютерная программа, реализующая алгоритм работы нейронной сети, который анализирует предлагаемые фотографии проблемных участков кожи пациентов и на базе обученных нейронных сетей с вероятностью до 90% делает выводы о наличии диагноза меланомы кожи или об отсутствии такового.
Способ и компьютерная программа предназначены для бесконтактной клинической диагностики злокачественного новообразования кожи - меланомы на основе выводов обученной нейронной сети. О наличии злокачественных новообразований судят по пространственным вариациям интенсивности, наблюдаемым на анализируемом изображении. Диагноз злокачественных новообразований определяется сравнением изображения и его спектральных характеристик с опорными изображениями различных клинических случаев с диагнозом меланомы кожи и без него, полученными под тем же ракурсом и с тем же масштабом, и тем же спектральном диапазоном. Автоматизация диагностики обеспечивается применением обученных нейронных сетей.
Данные принципы развития и использования разработанной системы ранней автоматизированной дистанционной диагностики меланомы кожи позволили получить следующие результаты:
- Повысить достоверность, информативность, обеспечить своевременную диагностику факторов риска развития меланомы кожи;
- Реализовать самообучение системы диагностики, периодическое переобучение на базе новых клинических данных;
- Прогнозировать развитие меланомы кожи, расчет рисков, течение их последствий;
- Хранение данных в облаке позволяет работать с программой диагностики из любой точки через Интернет и пополняться всеми пользователями системы. Система не будет ограничена объемом хранимой информации и количеством пользователей;
- Возможности по дистанционной диагностике меланомы кожи, прогнозированию малигнизации - перехода в рак;
- Возможность использования врачами других специальностей, средним медицинским персоналом и даже пациентов при соблюдении правил получения фотографий проблемных участков кожи с передачей на сервер для диагностики и получения дистанционных рекомендаций;
- Функционирование системы ранней диагностики меланомы кожи, предупреждения развития онкологической патологии и метастазов меланомы кожи;
- Охват населения Российской Федерации глобальной системой профилактики развития меланомы кожи. Доступ к базе из любой точки по Интернету с получением дистанционной консультации и рекомендаций.
Периодически проводимый процесс переобучения системы на основе возрастающей базы пациентов позволяет повышать качество ее диагностических возможностей и делать меньше ошибок при принятии решений.
Источники информации принятые во внимание:
1. Cancer Incidence in Five Continents / Ed. By D. Forman, F. Bray, D.H. Brewster et al. // J. Ferlay Lion: IARC. - 2013. - Vol. X.- URL: https://www.iars.fr/en/publications/pdfsonline/epi/sp164/C15volX_Full/pdf
2. Global cancer Facts7 Figures. 3rd Edition is a publication of the American Cancer Society, Atlanta, Georgia. - URL: https://www.cancer.org/acs/groups/content/@research/documents/ document/acspc-044738.pdf.
3 Siegel R., Naishadham D., Jemal A. Cancer statistics // CA Cancer J. Clin. - 2012. - Vol. 62. - P. 10-29.
4. Vuong K., McGeechan K., Armstrong B.K., Cust A.E. Risk prediction models for incident primary Cutaneous melanoma: a systematic review // JAMA Dermatol. - 2014. - Vol. 150 (4). - P. 434444
5. Mayer J.E., Swetter S.M., Fu Т., Geller A.C. Screening, early detection, education, and trends for melanoma: current status (20072013) and future directions: Part II. Screening, education, and future directions // J. Am. Acad. Dermatol. - 2014. - Vol. 71 (4). - P. 611-621.
6. Sondak V.K., Glass L.F., Geller A. Risk stratified screening for detection of melanoma // JAMA Network. - 2015. - Vol. 313 (6). - P. 616624.
7. Wu X.C., Eide M.J., King J. et al. Racial and ethnic variations in incidence and survival of cutaneous melanoma in the United States, 1999-2006 // J. Am. Acad. Dermatol. - 2011. - Vol. 65. - P. 26-37.
8. Одинцова И.Н., Писарева Л.Ф., Хряпенков A.B. Эпидемиология злокачественных новообразований в мире // Сибирский онкологический журнал. - 2015. - №5. - С. 95-101
9. Давыдов М.И., Аксель Е.М. Статистика злокачественных новообразований в России и странах СНГ в 2012 г. - М.: Издательская группаРОИЦ, 2014. - 226 с.
Claims (1)
- Способ ранней автоматизированной дистанционной диагностики меланомы кожи, заключающийся в выполнении цифровых фотографий, компьютерном картрировании кожных покровов пациента с созданием базы данных всех выявленных пигментных новообразований кожи, при этом выявляются очаги, подозрительные на меланому, отличающийся тем, что анализируют исходные изображения подозрительных участков кожи, производят уменьшение изображений до размера 512×512 пикселей, проводят автоматическую диагностику меланомы по исходным изображениям участков кожи с помощью трехслойной компьютерной программы типа «нейронные сети», предварительно обученной различать меланому кожи на основе эталонных изображений, включающей предобработчик, автоматически выделяющий на основе анализа спектра Фурье исходные изображения существенных признаков, позволяющих разделить эти изображения на два класса, соответствующие наличию диагноза меланомы кожи или его отсутствию; с помощью данной компьютерной программы каждому эталонному изображению обучающей выборки ставят в соответствие нейрон третьего слоя; в пространстве преобразованных изображений_нейроны третьего слоя оценивают эвклидово расстояние от каждого эталонного изображения обучающей выборки до тестируемого изображения, при этом полученным оценкам присваивают положительный или отрицательный знак в зависимости от класса - наличие или отсутствие меланомы, к которому отнесено эталонное изображение; среди 70-ти нейронов первого слоя в каждом из двух классов выявляют «победителей» по минимуму эвклидова расстояния от эталонного изображения до тестируемого; с помощью 20-ти нейронов второго слоя суммируют обратные величины эвклидовых расстояний, взятых с соответствующим знаком, в группах «победителей» и на основе сравнения суммы с нулевой пороговой величиной определяют класс тестируемого изображения, соответствующий диагнозу меланомы кожи либо его отсутствию.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018107018A RU2685469C1 (ru) | 2018-02-26 | 2018-02-26 | Способ ранней автоматизированной дистанционной диагностики меланомы кожи |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018107018A RU2685469C1 (ru) | 2018-02-26 | 2018-02-26 | Способ ранней автоматизированной дистанционной диагностики меланомы кожи |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2685469C1 true RU2685469C1 (ru) | 2019-04-18 |
Family
ID=66168446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2018107018A RU2685469C1 (ru) | 2018-02-26 | 2018-02-26 | Способ ранней автоматизированной дистанционной диагностики меланомы кожи |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2685469C1 (ru) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2785853C1 (ru) * | 2021-12-24 | 2022-12-14 | Геннадий Николаевич Берченко | Способ дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани на отсканированных изображениях гистологического стекла |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020016539A1 (en) * | 2000-05-03 | 2002-02-07 | Bernd Michaelis | Method and apparatus for measuring and classifying optically observable changes in skin and mucous membrane |
| RU2005133397A (ru) * | 2003-04-22 | 2006-03-27 | Провинча Итальяна Делла Конгрегацьоне Дей Фильи Дель`Иммаколата Кончецьоне-Институто Дермопатико Дель`Иммаколата (It) | Автоматическое обнаружение поражений кожи |
| RU2322943C2 (ru) * | 2006-04-20 | 2008-04-27 | Московская городская онкологическая больница №62 (МГОБ №62) | Способ комплексной диагностики меланомы кожи |
| RU2353295C2 (ru) * | 2007-05-08 | 2009-04-27 | Государственное учреждение Научный центр клинической и экспериментальной медицины Сибирского отделения Российской академии медицинских наук (ГУ НЦКЭМ СО РАМН) | Способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы |
-
2018
- 2018-02-26 RU RU2018107018A patent/RU2685469C1/ru not_active IP Right Cessation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020016539A1 (en) * | 2000-05-03 | 2002-02-07 | Bernd Michaelis | Method and apparatus for measuring and classifying optically observable changes in skin and mucous membrane |
| RU2005133397A (ru) * | 2003-04-22 | 2006-03-27 | Провинча Итальяна Делла Конгрегацьоне Дей Фильи Дель`Иммаколата Кончецьоне-Институто Дермопатико Дель`Иммаколата (It) | Автоматическое обнаружение поражений кожи |
| RU2322943C2 (ru) * | 2006-04-20 | 2008-04-27 | Московская городская онкологическая больница №62 (МГОБ №62) | Способ комплексной диагностики меланомы кожи |
| RU2353295C2 (ru) * | 2007-05-08 | 2009-04-27 | Государственное учреждение Научный центр клинической и экспериментальной медицины Сибирского отделения Российской академии медицинских наук (ГУ НЦКЭМ СО РАМН) | Способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы |
Non-Patent Citations (1)
| Title |
|---|
| МатематикаNeural Network Toolbox. Книга Kevin Swingler "Applying Neural Networks. A practical Guide" (перевод Ю.П. Маслобоева); найден [11.12.2018] на сайте в Интернет: www.matlab.exponenta.ru/neuralnetwork/book4/3_2.php, дата размещения 15.12.2017 г., дата размещения подтверждена по адресу Интернет-архива: www.web.archive.org/web/20171209034333/http://matlab.exponenta.ru:80/neuralnetwork/book4/2.php#2_4_2. Горожанина Е.И. Нейронные сети/Учебное пособие. Самара. ФГБОУ ВО ПГУТИ, 2017, с. 23. * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2785853C1 (ru) * | 2021-12-24 | 2022-12-14 | Геннадий Николаевич Берченко | Способ дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани на отсканированных изображениях гистологического стекла |
| RU2817636C1 (ru) * | 2022-12-15 | 2024-04-17 | ФГБОУ ВО "ПИМУ" Минздрава России | Способ автоматизированной дистанционной диагностики новообразования кожи |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ali et al. | Automatic label‐free detection of breast cancer using nonlinear multimodal imaging and the convolutional neural network ResNet50 | |
| Vocaturo et al. | On the usefulness of pre-processing step in melanoma detection using multiple instance learning | |
| Singh et al. | Recent advancement in the early detection of melanoma using computerized tools: An image analysis perspective | |
| Akter | Dementia Identification for Diagnosing Alzheimer's Disease using XGBoost Algorithm | |
| Gavrilov et al. | AI recognition in skin pathologies detection | |
| Nawn et al. | Multifractal alterations in oral sub-epithelial connective tissue during progression of pre-cancer and cancer | |
| Yaron et al. | Point of care image analysis for COVID-19 | |
| Nagadeepa et al. | Artificial Intelligence based Cervical Cancer Risk Prediction Using M1 Algorithms | |
| Sujaini et al. | Comparing the performance of linear regression versus deep learning on detecting melanoma skin cancer using apple core ML | |
| JP6471559B2 (ja) | 診断装置並びに当該診断装置における画像処理方法、画像処理システム及びそのプログラム | |
| Vats et al. | Detecting oral cancer: the potential of artificial intelligence | |
| RU2685469C1 (ru) | Способ ранней автоматизированной дистанционной диагностики меланомы кожи | |
| Hellebust et al. | Vital-dye-enhanced multimodal imaging of neoplastic progression in a mouse model of oral carcinogenesis | |
| Li | Hyperspectral imaging technology used in tongue diagnosis | |
| Vasanthakumari et al. | Discrimination of cancerous from benign pigmented skin lesions based on multispectral autofluorescence lifetime imaging dermoscopy and machine learning | |
| Veeraiah et al. | Medical Internet of Things using Deep Learning Techniques for Skin Cancer Detection | |
| Shastri et al. | Detection and Classification of Alzheimer’s Disease by Employing CNN | |
| Sinchana et al. | Analysis of Skin Lesions for Identifying of Skin Cancer Melanoma using Customized CNN Model with Transfer Learning | |
| Hiremath et al. | Retracted: Identification of Efficient Features for Detection of diabetes through Iris patterns | |
| AU2021101805A4 (en) | Development of indian oral cancer risk score and index | |
| Jaworek-Korjakowska et al. | Assessment of asymmetry in dermoscopic colour images of pigmented skin lesions | |
| Khattar et al. | A Review on Preprocessing, Segmentation and Classification Techniques for Detection of Skin Cancer | |
| Shukur et al. | Study of Diseases of the Human Body by Using Nails Images | |
| Rana et al. | High accuracy tumor diagnoses and benchmarking of hematoxylin and eosin stained prostate core biopsy images generated by explainable deep neural networks | |
| Begum et al. | A Review of Deep Learning Application in Oral Cancer Prognosis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20200227 |