RU2712919C1 - Method of pigment skin growths recognition - Google Patents
Method of pigment skin growths recognition Download PDFInfo
- Publication number
- RU2712919C1 RU2712919C1 RU2018143363A RU2018143363A RU2712919C1 RU 2712919 C1 RU2712919 C1 RU 2712919C1 RU 2018143363 A RU2018143363 A RU 2018143363A RU 2018143363 A RU2018143363 A RU 2018143363A RU 2712919 C1 RU2712919 C1 RU 2712919C1
- Authority
- RU
- Russia
- Prior art keywords
- skin
- fragments
- malignancy
- structures
- fragment
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Urology & Nephrology (AREA)
- Hematology (AREA)
- Biomedical Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
Description
Изобретение относится к области медицины и может быть использовано для диагностики новообразований кожи.The invention relates to medicine and can be used to diagnose skin neoplasms.
Актуальной на современном этапе для врачей дерматовенерологов является задача диагностики и лечения новообразований кожи. По данным отечественных исследований доля новообразований кожи в структуре первичной обращаемости к дерматологу составляет от 16 до 24,9% [Сергеев Ю.Ю., Мордовцева В.В., Сергеев В.Ю. Меланома кожи в практике дерматолога. Фарматека. 20171; №17: 67-72].Actual at the present stage for dermatovenerologist doctors is the task of diagnosing and treating skin neoplasms. According to domestic studies, the proportion of skin neoplasms in the structure of primary appeal to a dermatologist is from 16 to 24.9% [Sergeev Yu.Yu., Mordovtseva VV, Sergeev V.Yu. Skin melanoma in the practice of a dermatologist. Farmateka. 20171; No. 17: 67-72].
Особое место среди новообразований занимает меланома кожи. Меланома является злокачественной опухолью, которая возникает из-за неконтролируемой пролиферации клеток, продуцирующих меланоциты. [Tsatmali М, Ancans J, Thody AJ. Melanocytefunctionandits control by melanocortin peptides. J HistochemCytochem. 2002; 50(2): 125-33]. Меланома занимает уникальное место среди злокачественных новообразований кожи, так как, одной стороны, некоторые формы данной опухоли способны быстро метастазировать, приводя к гибели пациента, а сдругой стороны, образования на коже доступны для непосредственного обнаруженияи своевременное удаление сопровождается хорошим долгосрочным прогнозом. Исследования указывают на 82-97% 10-летнюю выживаемость пациентов с толщиной удаленной меланомы кожи не более 1 мм [Vecchiato A., ZontaE., CampanaL., Dal Bello G., Rastrelli M., Rossi CR., Alaibac M. Long-termsurvivalofpatientswithinvasiveultra-thincutaneousmelanoma: asingle-centerretrospectiveanalysis. Medicine. 2016; 95 (2): e2452].A special place among neoplasms is skin melanoma. Melanoma is a malignant tumor that occurs due to the uncontrolled proliferation of cells producing melanocytes. [Tsatmali M, Ancans J, Thody AJ. Melanocytefunctionandits control by melanocortin peptides. J Histochem Cytochem. 2002; 50 (2): 125-33]. Melanoma occupies a unique place among malignant neoplasms of the skin, since, on the one hand, some forms of this tumor can quickly metastasize, leading to the death of the patient, while on the other hand, skin lesions are available for immediate detection and timely removal is accompanied by a good long-term prognosis. Studies indicate 82-97% 10-year survival of patients with the thickness of the removed melanoma of the skin not more than 1 mm [Vecchiato A., ZontaE., CampanaL., Dal Bello G., Rastrelli M., Rossi CR., Alaibac M. Long- termsurvivalofpatientswithinvasiveultra-thincutaneousmelanoma: asingle-centerretrospectiveanalysis. Medicine 2016; 95 (2): e2452].
За последние несколько десятилетий был отмечен неуклонный рост заболеваемостью меланомой [Whiteman DC, Green AC, Olsen CM. The growing burden of invasive melanoma: Projections of incidence rates and numbers of new cases in six susceptible populations through 2031. J Investig Dermatol. 2016; 136(6):1161-71].Over the past few decades, there has been a steady increase in the incidence of melanoma [Whiteman DC, Green AC, Olsen CM. The growing burden of invasive melanoma: Projections of incidence rates and numbers of new cases in six susceptible populations through 2031. J Investig Dermatol. 2016; 136 (6): 1161-71].
Ежегодно отмечается прирост заболеваемости меланомой на 4-6% у лиц со светлым фототипом кожи, которые проживают в таких регионах, как Россия, Северная Америка, Северная Европа, Австралия и Новая Зеландия [Kosary CL, Altekruse SF, Ruhl J, Lee R, Dickie L. Clinical and prognostic factors for melanoma of the skin using SEER registries: Collaborative stage data collection system, version 1 and version 2. Cancer. 2014; 120Suppl 23:3807-14] [Stang A, Pukkala E, Sankila R, Soderman B, Hakulinen T. Time trend analysis of the skin melanoma incidence of Finland from 1953 through 2003 including 16,414 cases. Int J Cancer. 2006; 119(2): 380-4].A 4–6% increase in the incidence of melanoma is observed annually in people with light skin types who live in regions such as Russia, North America, Northern Europe, Australia and New Zealand [Kosary CL, Altekruse SF, Ruhl J, Lee R, Dickie L. Clinical and prognostic factors for melanoma of the skin using SEER registries: Collaborative stage data collection system,
По данным Российского Центра информационных технологий иэпидемиологических исследований в области онкологии за 2016 год число умерших от меланомы кожи составило 1710 человек (прирост 28% за 10 лет), число же впервые установленных диагнозов меланомы кожи - 4076 (прирост 51% за 10 лет). Необходимость совершенствования в первую очередь диагностики меланомы кожи очевидна при сравнении структуры впервые установленных диагнозов злокачественных новообразований кожи, в которой меланома кожи занимает всего 14%, и структуры умерших, в которой доля меланомы кожи преобладает и составляет 69%.According to the Russian Center for Information Technologies and Epidemiological Research in Oncology, in 2016 the number of deaths from skin melanoma was 1710 people (an increase of 28% over 10 years), the number of newly diagnosed skin melanomas was 4076 (an increase of 51% over 10 years). The need to improve the diagnosis of skin melanoma in the first place is obvious when comparing the structure of newly diagnosed malignant neoplasms of the skin, in which skin melanoma occupies only 14%, and the structure of the dead, in which the proportion of skin melanoma predominates and makes 69%.
Разнообразие клинических проявлений нозологических форм требует большого опыта и специальных знаний для проведения их дифференциальной диагностики. Доброкачественные меланоцитарные невусы, ряд немеланоцитарных новообразований (себорейныйкератоз, базальноклеточный рак, дерматофиброма, ангиокератома) могут имитировать меланому. Недостаточная подготовка в области дерматоскопии, ошибки проведения осмотра, клиническая гипердиагностика, расхождения при трактовке гистологических препаратов приводят к позднему выявлению и неблагоприятному прогнозу в большинстве случаев [Сергеев Ю.Ю., Мордовцева В.В. Скрининг рака кожи в амбулаторных условиях. Кремлевская медицина. Клинический вестник. 2018; №1: 84-88].A variety of clinical manifestations of nosological forms requires extensive experience and special knowledge to conduct their differential diagnosis. Benign melanocytic nevi, a number of non-melanocytic neoplasms (seborrheic keratosis, basal cell carcinoma, dermatofibroma, angiokeratoma) can mimic melanoma. Poor preparation in the field of dermatoscopy, examination errors, clinical overdiagnosis, discrepancies in the interpretation of histological preparations lead to late detection and poor prognosis in most cases [Sergeev Yu.Yu., Mordovtseva VV Outpatient skin cancer screening. Kremlin medicine. Clinical Herald. 2018; No. 1: 84-88].
Появление доступной цифровой системы для проведения дерматоскопии открывает новые горизонты в решении целого ряда задач диагностики с использованием информационных технологий. Среди них: оптимизация осмотра кожных покровов с картированием новообразований и получением снимков высокого разрешения, организация динамического наблюдения на основе стандартизованных изображений, внедрение телемедицины и дистанционного обучения, а также разработка эвристических систем поддержки принятия врачебных решений (искусственный интеллект).The advent of an affordable digital system for dermatoscopy opens up new horizons in solving a number of diagnostic problems using information technology. Among them: optimization of examination of the skin with mapping of neoplasms and obtaining high-resolution images, the organization of dynamic monitoring based on standardized images, the introduction of telemedicine and distance learning, as well as the development of heuristic systems for supporting medical decision-making (artificial intelligence).
Современные подходы к распознаванию изображений новообразований кожи основываются на количестве, расположении и описании элементов новообразования, таких как «линии», «псевдоподии», «круги», «комки», «точки» и т.д. Поэтому выделение и описание областей элемент пигментного новообразования кожи является важным этапом при диагностике новообразований кожи.Modern approaches to recognition of images of skin neoplasms are based on the number, location and description of neoplasm elements, such as “lines”, “pseudopodia”, “circles”, “lumps”, “points”, etc. Therefore, the selection and description of areas of the element of pigmented neoplasm of the skin is an important step in the diagnosis of skin tumors.
Таким образом, важнейшим на данный момент является разработка подхода для установления количественной оценки и получения степени злокачественности новообразования кожи.Thus, the most important at the moment is the development of an approach to establish a quantitative assessment and obtain the degree of malignancy of skin tumors.
Известен способ «Способ дифференциальной диагностики меланоцитарных новообразований кожи» [Патент РФ №2385494] Изобретение относится к медицине, в частности к дерматологии. Выполняют спектрофотометрический интрадермальный анализ. Способ за счет специфичности используемых показателей, позволяет проводить дифференциальную диагностику с доброкачественными меланоцитарными новообразованиями кожи, а также дифференциальную диагностику меланомы кожи с заболеваниями немеланоцитарного генеза.The known method "Method for the differential diagnosis of melanocytic neoplasms of the skin" [RF Patent No. 2385494] The invention relates to medicine, in particular to dermatology. Spectrophotometric intradermal analysis is performed. The method, due to the specificity of the indicators used, allows differential diagnosis with benign melanocytic skin neoplasms, as well as differential diagnosis of skin melanoma with diseases of non-melanocytic origin.
Однако предложенный способ не позволяет определять тип фрагмента структуры новообразования кожи как линии, круги, комки, точки, сетчатость, необходимые для установления количественной оценки и получения степени злокачественности новообразования кожи.However, the proposed method does not allow to determine the type of fragment of the structure of skin neoplasms as lines, circles, lumps, points, retinas necessary to establish a quantitative assessment and obtain the degree of malignancy of the skin neoplasm.
Известен способ «Автоматическое определение признаков для диагностики злокачественной меланомы» [Патент US №7689016 В2]. Способ автоматического определения границы между поражением кожи и окружающей кожей на цифровом изображении поражения кожи, включающий: предварительная обработка изображения для идентификации пикселей, которые представляют собой объекты, отличные от кожи и поражения.The known method of “Automatic detection of signs for the diagnosis of malignant melanoma” [US Patent No. 7689016 B2]. A method for automatically determining the boundary between skin lesions and surrounding skin in a digital image of skin lesions, including: pre-processing the image to identify pixels that are objects other than skin and lesions.
Данный способ определяет только область где находит злокачественное новообразования и нет сведений о анализе внутренних структур новообразования для получения степени злокачественности.This method determines only the area where the malignant neoplasm is found and there is no information about the analysis of the internal structures of the neoplasm to obtain the degree of malignancy.
По мнению заявителя, наиболее близких аналогов заявленного решения не обнаружено.According to the applicant, the closest analogues of the claimed solution were not found.
Технический результат предлагаемого изобретения заключается в расширении функциональных возможностей за счет измерения цветовых, текстурных и морфологических характеристик области структур, таких как линия, псевдоподии, круги, комки, точки, сетчатость, соответствующей пигментным областям на изображениях для установления количественной оценки и получения степени злокачественности новообразования кожи.The technical result of the invention is to expand the functionality by measuring the color, texture and morphological characteristics of the field of structures, such as line, pseudopodia, circles, lumps, points, reticulation corresponding to the pigment areas in the images to establish a quantitative assessment and obtain the degree of malignancy of skin tumors .
Указанный технический результат заявленного решения достигается в способе распознавания пигментных новообразований кожи, за счет получения цветного изображения с поверхности кожи и последующим выделением фрагментов структур, таких как линии, круги, комки, точки, сетчатость, посредствам анализа областей полученного изображения на основе сканирования строк, пороговых и бинарных операций, после чего проводят процедуру распознавания фрагментов структур путем сравнения с эталонами для установления типа фрагмента структуры, затем на основе пространственно-яркостного распределения во фрагменте структуры, проводится измерение характеристик, а также морфологических характеристик по фрагменту структуры, на основе полученных измерений формируют числовые вектора признаков для проведения классификации структур и устанавливают количественные оценки степени злокачественности новообразования кожи с последующим принятием клинических решений и адекватного подбора терапевтических схем лечения у пациентов с меланомой кожи.The indicated technical result of the claimed solution is achieved in a method for recognizing pigmented skin neoplasms by obtaining a color image from the skin surface and then isolating fragments of structures, such as lines, circles, lumps, points, reticulation, by analyzing areas of the obtained image based on line scanning, threshold and binary operations, after which the procedure for recognizing fragments of structures is carried out by comparison with standards to establish the type of fragment of the structure, then based on of the spatial and brightness distribution in the structure fragment, the characteristics and morphological characteristics of the structure fragment are measured, based on the measurements obtained, numerical feature vectors are formed to classify the structures and quantitative estimates of the degree of malignancy of the skin tumor are established, followed by clinical decisions and an adequate selection of therapeutic treatment regimens in patients with skin melanoma.
В частном случае цветное изображение получают с дерматоскопа.In the particular case, a color image is obtained from a dermatoscope.
В другом частном случае для проведения классификации используется метод k-ближайших соседей.In another particular case, the k-nearest neighbors method is used to carry out the classification.
В следующем частном случае измерения характеристик фрагмента структуры проводится на основе пространственно-яркостного распределения по матрице пространственной смежности, матрицы длин серий, пикселей минимального, максимального, среднего значения яркости, размах по яркости и среднеквадратическое отклонение яркости для компонент цветовых моделей из ряда RGB и HSV.In the following particular case, measurements of the characteristics of a fragment of the structure are carried out on the basis of the spatial-brightness distribution over the spatial adjacency matrix, the matrix of series lengths, the minimum, maximum, average brightness values, brightness span and standard deviation of brightness for the components of color models from the RGB and HSV series.
Технические средства для реализации способа полнофункциональная цифровая система для фотодерматоскопии РДС-2 для получения изображения и компьютерная система для выполнения предложенного способа проводилась на базе компьютера Intel(R) Core(TM) i5-3450 CPU @ 3.10 GHz 3.10 GHz 4GB RAM Windows 7,Technical means for implementing the method, a fully functional digital system for photodermatoscopy RDS-2 for image acquisition and a computer system for performing the proposed method was carried out on the basis of an Intel (R) Core (TM) i5-3450 computer @ 3.10 GHz 3.10 GHz 4GB RAM Windows 7,
В качестве входных данных программы выступают дерматоскопические изображения:The input data of the program are dermatoscopic images:
• Размеры: 2560x1920 пикселей• Dimensions: 2560x1920 pixels
• Глубина цвета: 24 бита• Color Depth: 24 bits
• Формат: jpg• Format: jpg
Ниже приведен пример конкретной реализации предложенного способа.The following is an example of a specific implementation of the proposed method.
Предлагаемый способ состоит выделения пигментного новообразования и анализа фрагментов структур с последующим определение степени злокачественности пигментного новообразования.The proposed method consists in isolating a pigment neoplasm and analyzing fragments of structures, followed by determining the degree of malignancy of the pigment neoplasm.
Этап 1 автоматизированное выделение новообразований кожи (фиг. 1 пунктирные линии - автоматизированное описание новообразования кожи осуществляется следующим образом):
• (1→2): задается дерматоскопическое изображение (ДИ), которое загружается в систему (фиг.2).• (1 → 2): sets the dermatoscopic image (DI), which is loaded into the system (figure 2).
• (3→4): ДИ преобразуется к максимально информативному изображению для дальнейших алгоритмов обработки• (3 → 4): DI is converted to the most informative image for further processing algorithms
• (5→6): ДИ изображение испытывает предобработку посредствам анализа областей изображения на основе сканирования строк, пороговых, бинарных операций, а также процедуры анализа связанных областей, результатом которой являются координаты выделенных сегментов. Обратите внимание, что предобработка не настраивается пользователем и является автоматической.• (5 → 6): the CI image undergoes preprocessing by analyzing image areas based on line scanning, threshold, binary operations, as well as a related area analysis procedure, the result of which are the coordinates of the selected segments. Please note that preprocessing is not user configurable and is automatic.
• (7а+7б→8): Обеспечивает описание всех выделенных областей (фиг.3 выделение области новообразования кожи и внутренних структур), используя исходное ДИ и координаты сегментов. Результаты заносятся в таблицу, строчками которой будут описания сегментов, а колонками - их признаки.• (7a + 7b → 8): Provides a description of all selected areas (Fig.3 selection of the area of skin neoplasm and internal structures) using the original CI and the coordinates of the segments. The results are entered in a table, the lines of which will be the descriptions of the segments, and the columns are their signs.
• (9→13а): Классификатор, в режиме применения, производит классификацию сегментов. Результатом будут метки классов сегментов.• (9 → 13a): The classifier, in the application mode, performs the classification of segments. The result will be segment class labels.
• (13а→13б): Зная метки классов сегментов, нужно будет провести объединение однотипных сегментов.• (13a → 13b): Knowing the labels of the classes of segments, it will be necessary to combine the same type of segments.
• (15а+15б→16): Конечная визуализация сегментов на исходном изображении.• (15a + 15b → 16): The final visualization of the segments in the original image.
Этап 2: автоматизированное выделение элементов новообразований кожи (фиг.4 пунктирные линии - автоматизированное описание):Stage 2: automated selection of skin neoplasm elements (Fig. 4 dashed lines — automated description):
• 1→2: Пользователь задает файловый путь к ДИ через интерфейс.• 1 → 2: The user sets the file path to the MD through the interface.
• 2→3: Далее происходит загрузка ДИ в оперативную память.• 2 → 3: Next, the DI is loaded into RAM.
• 3→5: ДИ испытывает ряд преобразований (4), целью которых является получение координат центрального сегмента, который в большинстве случаев является сегментом в новообразовании кожи.• 3 → 5: CI undergoes a series of transformations (4), the purpose of which is to obtain the coordinates of the central segment, which in most cases is a segment in skin neoplasm.
• 3,5→6: Используя координаты центрального сегмента, программа получает изображение центрального сегмента на фоне (или в виде пары "изображение-маска").• 3.5 → 6: Using the coordinates of the central segment, the program receives an image of the central segment against the background (or as a pair of image-mask).
• 6→8: Изображение центрального сегмента испытывает ряд преобразований (7), целью которых является получение координат элементов пигментного новообразования.• 6 → 8: The image of the central segment undergoes a series of transformations (7), the purpose of which is to obtain the coordinates of the elements of the pigmented neoplasm.
• 6,8→9: Используя координаты элементов новообразований кожи, программа получает изображение новообразования кожи с выделенными элементами (фиг. 5 изображения с точками, фиг. 6 пигментной сетью, фиг. 7 точек и глобул, фиг. 8 точек и глобул, фиг. 9 сетчатой структуры новообразования кожи).• 6.8 → 9: Using the coordinates of the skin neoplasm elements, the program receives an image of the skin neoplasm with selected elements (Fig. 5 images with dots, Fig. 6 pigment network, Fig. 7 points and globules, Fig. 8 points and globules, Fig 9 net structure of skin neoplasm).
• 9→10: Отображение результатов выделения на монитор.• 9 → 10: Display highlighting results on the monitor.
Далее проводится на основе результатов 6 и 8, полученного в автоматизированном выделении элементов новообразований кожиFurther, based on the results of 6 and 8, obtained in the automated selection of elements of skin neoplasms
• 1→11: Пользователь задает имя сохраняемого файла.• 1 → 11: The user sets the name of the file to be saved.
• 6,8→12: На основании координат ЭПНК и изображения центрального сегмента производится расчет признаков: число соседних сегментов, площадь, средние яркости и СКО внутри и вне сегмента (по синему каналу), а также радиальная цветовая асимметрия при разных функциях штрафа (по синему каналу).• 6.8 → 12: Based on the coordinates of the EPC and the image of the central segment, signs are calculated: the number of adjacent segments, area, average brightness and standard deviation inside and outside the segment (in the blue channel), as well as radial color asymmetry for different penalty functions (in blue channel).
• 12→13: Составление матрицы объектов-признаков.• 12 → 13: Compilation of a matrix of feature objects.
• 11,13→14: Сохранение матрицы в виде CSV файла по заданному пользователем имени.• 11,13 → 14: Saving the matrix as a CSV file by a user-defined name.
Точность выделения границ составляет 82%. Точностные характеристики обученной модели на тестовом наборе для классов: "benign" - 74%, "malignant"-75%. Среднее значение составило 74%.The accuracy of the allocation of borders is 82%. The accuracy characteristics of the trained model on the test set for classes: "benign" - 74%, "malignant" -75%. The average value was 74%.
В результате предложенный способ позволяет по сформированным числовым векторам признаков с получением количественной оценки по фрагментам структур, таких как линии, кругу, комки, точки, сетчатость установить степень злокачественности новообразования кожи с точностью 74% для принятия клинических решений и адекватному подбору терапевтических схем лечения у пациентов с меланомой кожи.As a result, the proposed method allows to determine the degree of malignancy of the skin neoplasm with an accuracy of 74% for clinical decisions and an adequate selection of therapeutic treatment regimens for patients according to the generated numerical vectors of signs with obtaining a quantitative assessment of fragments of structures such as lines, circles, lumps, points, reticulum with skin melanoma.
Claims (4)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018143363A RU2712919C1 (en) | 2018-12-07 | 2018-12-07 | Method of pigment skin growths recognition |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018143363A RU2712919C1 (en) | 2018-12-07 | 2018-12-07 | Method of pigment skin growths recognition |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2712919C1 true RU2712919C1 (en) | 2020-02-03 |
Family
ID=69625152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2018143363A RU2712919C1 (en) | 2018-12-07 | 2018-12-07 | Method of pigment skin growths recognition |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2712919C1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2818167C2 (en) * | 2021-08-24 | 2024-04-25 | Акционерное общество "ЧЕТЫРЕ СТИХИИ" | Method for dermatoscopic diagnosis of skin melanoma |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2385494C1 (en) * | 2008-10-22 | 2010-03-27 | Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет) | Method for recognition of cell texture image |
| US7689016B2 (en) * | 2005-05-27 | 2010-03-30 | Stoecker & Associates, A Subsidiary Of The Dermatology Center, Llc | Automatic detection of critical dermoscopy features for malignant melanoma diagnosis |
| RU2496417C1 (en) * | 2012-03-12 | 2013-10-27 | Государственное Бюджетное Образовательное Учреждение Высшего Профессионального Образования "Красноярский Государственный Медицинский Университет Имени Профессора В.Ф. Войно-Ясенецкого Министерства Здравоохранения И Социального Развития Российской Федерации" | Method of differential diagnostics of melanocytic neoplasms of skin |
-
2018
- 2018-12-07 RU RU2018143363A patent/RU2712919C1/en active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7689016B2 (en) * | 2005-05-27 | 2010-03-30 | Stoecker & Associates, A Subsidiary Of The Dermatology Center, Llc | Automatic detection of critical dermoscopy features for malignant melanoma diagnosis |
| RU2385494C1 (en) * | 2008-10-22 | 2010-03-27 | Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет) | Method for recognition of cell texture image |
| RU2496417C1 (en) * | 2012-03-12 | 2013-10-27 | Государственное Бюджетное Образовательное Учреждение Высшего Профессионального Образования "Красноярский Государственный Медицинский Университет Имени Профессора В.Ф. Войно-Ясенецкого Министерства Здравоохранения И Социального Развития Российской Федерации" | Method of differential diagnostics of melanocytic neoplasms of skin |
Non-Patent Citations (1)
| Title |
|---|
| EMERY J.D. et al. Accuracy of SIAscopy for pigmented skin lesions encountered in primary care: development and validation of a new diagnostic algorithm, BMC Dermatol., 2010 Sep 25;10:9. doi: 10.1186/1471-5945-10-9. * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2818167C2 (en) * | 2021-08-24 | 2024-04-25 | Акционерное общество "ЧЕТЫРЕ СТИХИИ" | Method for dermatoscopic diagnosis of skin melanoma |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Waheed et al. | An efficient machine learning approach for the detection of melanoma using dermoscopic images | |
| Garnavi et al. | Border detection in dermoscopy images using hybrid thresholding on optimized color channels | |
| US7736313B2 (en) | Detecting and classifying lesions in ultrasound images | |
| Ganz et al. | Automatic segmentation of polyps in colonoscopic narrow-band imaging data | |
| US7689016B2 (en) | Automatic detection of critical dermoscopy features for malignant melanoma diagnosis | |
| Jaworek-Korjakowska | Computer‐aided diagnosis of micro‐malignant melanoma lesions applying support vector machines | |
| Garnavi et al. | Automatic segmentation of dermoscopy images using histogram thresholding on optimal color channels | |
| CN108629761B (en) | Breast cancer image identification method and device and user terminal | |
| Kurugol et al. | Automated delineation of dermal–epidermal junction in reflectance confocal microscopy image stacks of human skin | |
| JP2013526930A (en) | Image analysis for cervical neoplasm detection and diagnosis | |
| Hoque et al. | Retinex model based stain normalization technique for whole slide image analysis | |
| Bai et al. | Automatic segmentation of cervical region in colposcopic images using K-means | |
| CN112263217B (en) | Improved convolutional neural network-based non-melanoma skin cancer pathological image lesion area detection method | |
| Jaworek-Korjakowska | Novel method for border irregularity assessment in dermoscopic color images | |
| Lu et al. | Detection of melanocytes in skin histopathological images using radial line scanning | |
| Lu et al. | Automated segmentation and analysis of the epidermis area in skin histopathological images | |
| CN112990214A (en) | Medical image feature recognition prediction model | |
| Oikawa et al. | Pathological diagnosis of gastric cancers with a novel computerized analysis system | |
| Zeljkovic et al. | Supplemental melanoma diagnosis for darker skin complexion gradients | |
| Singh et al. | Designing a retrieval-based diagnostic aid using effective features to classify skin lesion in dermoscopic images | |
| Voigt et al. | Computer vision and digital imaging technology in melanoma detection | |
| Shah et al. | Algorithm mediated early detection of oral cancer from image analysis | |
| JP6161146B2 (en) | Pathological tissue image analysis method, pathological tissue image analysis apparatus, and pathological tissue image analysis program | |
| Fogarasi et al. | Glandular object based tumor morphometry in H&E biopsy samples for prostate cancer prognosis | |
| US20160100789A1 (en) | Computer-aided diagnosis system and computer-aided diagnosis method |