Выявление рака кожи по дерматоскопическим изображениям с использованием глубокого обучения и нечёткого кластерного анализа методом k-средних

Меланома — наиболее жизнеугрожающее и смертельное заболевание среди всех видов рака кожи. Современные технологические разработки и методы исследований позволили эффективнее выявлять этот вид рака кожи, однако автоматизированные локализация и сегментация кожных поражений на ранних стадиях по-прежнему остаются сложной задачей из-за низкого контраста между меланомными невусами и кожей, а также высокой цветовой схожести поражённых и непоражённых участков. В настоящей работе представлен полностью автоматизированный метод сегментации меланомы на ранней стадии, основанный на глубоком обучении, а именно на более быстрой региональной сверточной нейронной сети (Faster R-CNN) в сочетании с нечётким кластерным анализом методом k-средних (FKM). Для тестирования предложенного метода использовали несколько клинических изображений, чтобы помочь дерматологу диагностировать это жизнеугрожающее заболевание на ранней стадии. Сначала изображения в наборе данных предварительно обрабатывали для устранения шумов и проблем с освещением, а также улучшения визуальной информации, после чего применяли Faster R-CNN для получения вектора признаков фиксированной длины. Затем с помощью FKM сегментировали поражённые меланомой участки кожи, имеющие различающиеся размеры и границы. Эффективность предложенного метода оценивали на трёх стандартных наборах данных: ISBI-2016, ISIC-2017 и PH2. Полученные результаты показали превосходство метода над современными подходами. Средняя точность составила 95,40, 93,1 и 95,6% для наборов данных ISIC-2016, ISIC-2017 и PH2 соответственно, что свидетельствует об устойчивости метода при распознавании и сегментации кожных поражений.