InSiNet: метод глубокого сверточного обучения для выявления и сегментации рака кожи

Рак относится к распространенным причинам смерти во всем мире. Рак кожи — один из наиболее смертоносных видов рака. Для успешного лечения крайне важны ранняя диагностика и своевременное начало терапии. Наряду с традиционными методами для диагностики и классификации заболевания широко применяют глубокое обучение. В диагностике рака кожи большую роль играет опыт специалиста. Поэтому алгоритмы глубокого обучения могут помочь точнее диагностировать поражения кожи. В этом исследовании предложена InSiNet — сверточная нейронная сеть на основе глубокого обучения для выявления доброкачественных и злокачественных поражений. Метод оценивали в одинаковых условиях на изображениях из набора HAM10000 (ISIC 2018), а также наборов ISIC 2019 и ISIC 2020. Сравнили время вычислений и точность предложенного алгоритма и других методов машинного обучения: GoogleNet, DenseNet-201, ResNet152V2, EfficientNetB0, метода опорных векторов с радиальной базисной функцией (RBF), логистической регрессии и случайного леса. Архитектура InSiNet превзошла остальные методы: точность составила 94,59% на наборе ISIC 2018, 91,89% на ISIC 2019 и 90,54% на ISIC 2020. Алгоритмы глубокого обучения исключают влияние человеческого фактора при диагностике и могут обеспечивать надежные результаты в дополнение к традиционным методам.