Аннотация результатов, полученных в 2019 году
В результате выполнения первого этапа проекта проведен системный анализ задачи автоматизированной диагностики меланомы кожи, осуществлено качественное описание структурных элементов на изображениях новообразований кожи при меланоме, предложена формализация описаний структурных элементов на изображениях новообразований кожи при меланоме, исследована вариабельность характеристик структурных элементов, разработана концептуальная модель системы поддержки принятия решений при диагностике меланомы. Опубликовано две статьи в журналах индексируемых в Scopus, подготовлено две статьи для публикации в журнале, индексируемом в Scopus, опубликована одна статья в журнале, индексируемом в РИНЦ, опубликовано три тезиса докладов на международной конференции в сборнике тезисов конференции, индексируемом в РИНЦ. Целью проведенного системного анализа было определение возможных направлений в решении задачи автоматизированной диагностики меланомы кожи. Меланома кожи - агрессивное злокачественное образование, развивающееся в результате необратимого генетического перерождения меланобластов и меланоцитов. В России по данным за 2018г. злокачественные заболевания кожи занимают первое место среди всех злокачественных заболеваний. При этом доля случаев меланомы кожи среди злокачественных заболеваний кожи не превышает 13%, в то время как доля смертей по причине меланомы среди смертей от злокачественных заболеваний кожи превышает 70%. Отмечается также большая «запущенность» заболеваний – выявление меланомы на поздних стадиях (III и IV). Указанные факты обуславливают актуальность задачи повышения точности диагностики меланомы кожи и необходимости обеспечения более раннего ее обнаружения. Одним из путей в решении этой задачи является применение методов цифровой обработки изображений и технологий искусственного интеллекта. Так, например, еще в 1993г. были опубликованы результаты успешного применения математических методов для автоматизированной классификации цифровых изображений меланомы и доброкачественных меланоцитарных новообразований. Но до сегодняшнего дня проблема автоматической классификации изображений новообразований кожи, включая меланому, окончательно не решена. С одной стороны это связано со сложностью объектов анализа – большой вариабельностью наблюдаемых дерматоскопических изображений при новообразованиях кожи и , в частности, при меланоме, что затрудняет их интерпретацию – с другой стороны – отсутствием принятого стандарта съемки дерматоскопических изображений, что затрудняет получение в разных лабораториях сравнимых дерматоскопических снимков новообразований кожи и возможности их использования в качестве обучающих выборок изображений для создания средств автоматизированной диагностики меланом. В настоящее время все более широкое применение находят технологии искусственного интеллекта и, в частности, использование искусственных нейронных сетей. Ключевым моментом при применении методов машинного обучения в области автоматизации диагностики меланомы является формирование обучающих выборок изображений. Для качественной работы системы для ее обучения требуются тысячи и десятки тысяч образцов на каждый тип объекта. В общем доступе имеется архив дерматоскопических изображений (The International Skin Imaging Collaboration: Melanoma Project), содержащий около 24000 образцов. Но представленные образцы получены в разных условиях освещения, в разных масштабах, с разной разрешающей способностью, что затрудняет их использование в качестве обучающих выборок для систем искусственного интеллекта. В научных публикациях приводятся сведения о разной степени успешности применения технологий искусственного интеллекта в области автоматизации диагностики меланомы. Но сравнение представляемых результатов затруднено вследствие использования разного объема и содержания выборок изображений, используемых при тестировании. На рынке представлены коммерческие предложения систем, в состав которых входят программы автоматизации диагностики меланомы, но научные публикации, описывающие опыт применения таких систем в медицинской практике, представлены крайне скудно. В большом числе научных публикаций упоминаются алгоритмы диагностики меланомы, основанные на мнемонических правилах таких как ABCD и ФИГАРО. Это в большой степени является попыткой объективизации упрощенных диагностических приемов, эффективность которых в ранней диагностике меланомы кожи оценивается невысоко. Предлагаемые решения не учитывают современную информацию о достоверных дерматоскопических признаках меланомы кожи и остаются бесполезными для создания системы поддержки принятия решений при постановке диагноза врачом. Скудость научных публикаций о применении рекламируемых систем автоматизированной диагностики меланомы подчеркивает низкую распространенность существующих систем в условиях реального врачебного приема. Это обуславливает актуальность задачи создания системы, основанной на современной элементной базе регистрации дерматоскопических изображений и использующей достижения в области автоматизированного анализа изображений и технологий искусственного интеллекта. В результате анализа проблем и существующих решений в области автоматизации диагностики меланомы предложена концептуальная модель создаваемой системы. Предлагается создавать систему в виде системы поддержки принятия решений при диагностике меланомы. Такая система включает в себя базу знаний с экспертными описаниями изображений новообразований кожи, модуль автоматизированного анализа изображений, подсистему формирования заключения о возможном диагнозе для исследуемого случая. При этом система не ставит диагноз и не заменяет врача при диагностике, а обеспечивает поддержку врачу в трудных случаях диагностики, представляя аргументы в пользу того или иного решения по возможному диагнозу для исследуемого случая и демонстрации набора изображений, похожих на исследуемый случай. В модуле анализа изображений предусматривается выделение и описание структурных элементов на дерматоскопических изображениях новообразований. В числе существенных структурных элементов для интерпретации изображений новообразований кожи отмечены – «бесструктурные зоны», «пигментная сеть», «точки», «комки», «глобулы», «вуаль», «линии», «круги», «псевдоподии», «полиморфные сосуды». Анализ характеристик указанных структурных элементов и их пространственное распределение в области новообразования позволит сделать обоснованное заключение в пользу того или иного диагноза. В качестве исходных данных для разработки и исследования методов и моделей анализа изображений новообразований кожи с применением технологий искусственного интеллекта в настоящем проекте была сформирована предварительная выборка изображений новообразований кожи. В качестве средства формирования цифровых изображений новообразований кожи использовались российская цифровая система для фотодерматоскопии РДС-2. С помощью нее было получено 774 изображения новообразований кожи из реальной практики врачебного приема. Изображения записаны в формате jpg, размер изображений 2560x1920 пикселей, глубина кодирования цвета 24 бит (по 8бит на каждый из цветовых каналов RGB). Дополнительно для проведения предварительных исследований были рассмотрены 2808 изображений из архива изображений кожных пигментированных новообразований International Skin Imaging Collaboration (ISIC). В результате предварительных исследований выполнено качественное описание отмеченных структурных элементов на изображениях в сформированной выборке, а также произведены предварительные исследования вариабельности характеристик структурных элементов. В качестве основных характеристик структурных элементов использованы характеристики размера и формы (площадь, периметр, коэффициенты формы, размеры по осям инерции), цвета, яркости и контраста (средние значения цветовых компонент, их среднеквадратические отклонения, размах их значений, градиенты яркости цветовых компонент на границе структурных элементов). Предварительный анализ гистограммы распределения характеристик сегментов пигментной сети для изображений меланомы и немаланомы показал существенное различие в показателях, что позволяет использовать эти характеристики как признаки при распознавании изображений меланомы в создаваемой системе поддержки принятия врачебных решений при диагностике меланомы.

Аннотация результатов, полученных в 2020 году
Меланома кожи относится к наиболее агрессивным онкологическим заболеваниям. На протяжении последних десятилетий наблюдается неуклонный рост заболеваемости. В дерматоскопии разработан набор диагностических критериев (правил) на основе анализа дерматоскопических признаков (характеристик) для определения меланомы. Так, врачами-дерматологами широко используется диагностический алгоритм ABCD, основанный на общей оценке новообразования (А - асимметрия, В - нерегулярность границ, С - цветовые узоры, D - диаметр). В последнее время среди врачей-дерматологов растет популярность алгоритма Киттлера, основанного на детальном анализе структурных элементов, имеющихся в новообразовании кожи. Однако применение алгоритма Киттлера отличается сложностью и требует дополнительного обучения врачей. Следует особо подчеркнуть, что значительным потенциалом для скрининга и раннего обнаружения меланомы обладают системы компьютерной диагностики, основанные на обработке изображений и применении технологий искусственного интеллекта (в частности включающим распознавание образов, базы знаний, экспертные системы). В рамках реализуемого проекта предложен подход, основанный на компьютерном анализе значимых для врача структурных элементов новообразований кожи и создании интеллектуальных диагностических систем поддержки принятия врачебных решений при диагностике меланомы. Такие системы предлагают рейтинговый список диагнозов, окончательное диагностичекое решение принимает врач. Важными характеристиками злокачественного поражения кожи является наличие таких структурных элементов, как глобулы, точки, ретикулярный рисунок, бело-голубая вуаль, полосы и их особенности. Один из признаков злокачественности – пигментная сеть. Атипичность пигментной сети очень важна для ранней диагностики меланомы. В рамках отчетного этапа работ по проекту получены следующие результаты. Выполнен обзор алгоритмов автоматизированной диагностики меланомы и других злокачественных новообразований кожи Отмечено, что существующие компьютерные программы остаются практически недоступными для широкой медицинской практики. Малое число публикаций об эффективности уже созданных систем искусственного интеллекта свидетельствует о проблемах их внедрения в клиническую практику и современные обследования в дерматологии и онкологии. Все еще остаются востребованными новые методы, алгоритмы и программные решения. Актуальны работы, подтверждающие точность предлагаемых подходов на сопоставимом и проверяемом клиническом материале. Исследованы вопросы диагностики и лечения редкой разновидности меланоцитарных невусов, имитирующей меланому кожи по клиническим и гистологическим проявлениям - Невусу Спитца (ювенильная меланома). Проведен обзор существующих дерматоскопических алгоритмов оценки меланоцитарных образований, включая компьютерный анализ при помощи искусственной нейронной сети, которая оказалась малоэффективна в определении правильной лечебной тактики. Результаты совместного использования дерматоскопического правила ABCD и алгоритма Moleanalyzer Pro совпали с рекомендацией врача в 38,5% случаев. Проведен анализ эффективности машинного распознавания меланомы кожи с применением двух систем искусственного интеллекта. В качестве исходных данных использовался набор из 100 дерматоскопических изображений. Все эти новообразования оценивались опытными врачами дерматовенерологами, экспертами в области дерматоскопии. Для автоматизированной обработки каждого изображения применялись российский программный комплекс автоматизированной диагностики, использующий классификатор без применения глубокого машинного обучения и Moleanalyzer Pro на основе сверточной нейронной сети. Сравнивалась точность диагностики меланомы кожи. Получено, что алгоритм на основе сверточной нейронной сети улучшает общую точность диагностики на 7% по сравнению с алгоритмом без глубокого обучения, при этом показатель точности составляет 78%. Разработаны методы, модели, алгоритмы анализа дерматоскопических изображений меланомы кожи, а также разработаны соответствующие программные модули. Разработана модель системы поддержки принятия решений, позволяющая формировать выборку дерматоскопических изображений с экспертными заключениями для создания базы знаний по меланоме кожи – ядра экспертной системы. Поддержка принятия врачебных решений строится на основе экспертных описаний по структурным признакам диагностической схемы Киттлера. Предложенная модель системы позволяет сформировать экспертную базу знаний аннотированных изображений меланомы кожи и других новообразований кожи на основе опыта клинической практики врачей. Также система открывает возможность врачам для формирования своих собственных новых дерматоскопических алгоритмов, благодаря возможности задать свою признаковую модель в личной базе знаний. Система осуществляет рейтинговую оценку диагнозов, позволяет визуально сопоставлять признаки описания и изображения между собой, что делает ее полезной и при обучении врачей, и при телемедицинских консультациях. Создана база знаний по новообразованиям кожи (включая меланому) на основе сформированной выборки из 3100 дерматоскопических изображений с их экспертными описаниями. Разработаны методы визуализации дерматоскопических изображений, регистрируемых с применением цифрового оптического прибора - дерматоскопа, призванные повысить качество зрительного восприятия в экспертных системах поддержки принятия врачебных решений при диагностике меланомы. Одними из существенных признаков меланомы являются дерматоскопические точки и атипичная пигментная сеть на изображениях новообразований кожи. Предложен новый алгоритм анализа характеристик пигментной сети новообразований кожи, который базируется на исследовании коэффициента отклонения средних длин сегментов пигментной сети в локальных областях новообразования от среднего значения длин сегментов линий пигментной сети по всей области новообразования. Предложена новая модель распознавания дерматоскопических точек на изображениях новообразований кожи. Управление ключевыми функциями, определяющими результативность программы выведено в дополнительные элементы интерфейса. Это позволяет обеспечить интерактивную настройку программы. Предложенные решения призваны повысить качество диагностики меланомы (в том числе на ранней стадии). По результатам работ второго этапа проекта подготовлены научные статьи, которые приняты к публикации редакциями журналов и часть из них опубликованы: три статьи в журналах, индексируемых РИНЦ, четыре статьи в журналах, индексируемых Scopus.

Аннотация результатов, полученных в 2021 году
Меланома кожи является одним из самых агрессивных онкологических заболеваний, требующих, как можно более ранней диагностики для увеличения шансов на благоприятный исход лечения пациента. В последние годы наблюдается рост заболеваемости меланомы. При этом в дерматоскопии набирает популярность клинический алгоритм диагностики меланомы - алгоритм Киттлера, суть которого заключается в анализе структурных элементов на дерматоскопических изображениях новообразований кожи. Данный алгоритм обладает высоким диагностическим потенциалом, и его автоматизация в рамках внедрения технологий искусственного интеллекта в онкодерматологию может способствовать улучшению качества диагностики меланомы. Одним из важнейших направлений искусственного интеллекта является распознавание образов с применением аппарата обработки изображений. На очередном этапе проекта были получены следующие результаты. Предложена модель выделения структурного элемента «линий», основанная на процедуре адаптивной бинаризации исходного цифрового дерматоскопического изображения новообразований кожи и последующих операциях дилатации, эрозии, скелетизации, фильтрации ложных фрагментов «линий». Экспериментально определенная точность выделения «линий» составила 95%. Предложен метод распознавания значимых структурных элементов новообразований кожи – «кругов». Экспериментальные исследования показали, что доля правильно выделенных кругов составила 86%. Разработана модель распознавания бесструктурных гиперпигментированных областей на изображениях новообразований кожи. Точность распознавания указанных областей по результатам проведенного эксперимента составила 82%. Предложена модель обработки изображений, позволяющая в разноконтрастных изображениях устойчиво выделять структурный элемент пигментных новообразований кожи «глобулы» без необходимости выполнения ручной подстройки параметров модели, что отличает ее от аналогов. Точность автоматического распознавания глобул составила от 71% до 89% в зависимости от исходной контрастности изображений. Разработаны модели оценки неоднородности распределения характеристик глобул на цифровых изображениях при диагностике новообразований кожи. Общее число исследованных характеристик глобул – 21. Проведен эксперимент по оценке точности классификации изображений новообразований кожи как однородных или неоднородных по указанным выше признакам. Лучшая точностью классификации в 93% отмечена у признака «приведенная обратная величина наибольшей частоты появления измеренных площадей глобул». Предложена модель распознавания бесструктурной области бело-голубой вуали. Модель призвана повысить достоверность диагностики меланомы кожи, а также уменьшить трудоемкость визуального морфологического анализа новообразований. В результате проведенного экспериментального исследования разработанной программной системы точность распознавания областей бело-голубой вуали составила 84%. Разработана модель распознавания бесструктурных гипопигментированных областей на цифровых изображениях новообразований кожи при диагностике меланомы. Проведенный для проверки адекватности разработанной модели эксперимент показал, что точность распознавания бесструктурных гипопигментированных областей составила 81%. Разработана модель цветового анализа цифровых дерматоскопических изображений новообразований кожи. Модель основана на использование в качестве опорных цветов палитры красок в алгоритме Киттлера. Проведена оценка эффективности применения предобученых сверточных нейронных сетей для классификации новообразований кожи. Предложен алгоритм классификации по ансамблю сверточных сетей. По результатам проведенного эксперимента для включения в ансамбль выбрано три наилучших из 8 исследованных сверточных нейронных сетей - MobileNet_v2, ResNet_152, ResNeXt_101_32x8d. Эксперимент проводился на выборке из 10015 изображений, представляющих восемь нозологий. Средняя точность классификации по всем нозологиям составила 79%. В соответствии с клиническим алгоритмом Киттлера разработана система диагностики меланомы на основе маркировки цифровых изображений новообразований кожи. Разработана методика применения системы диагностики меланомы кожи. Представленная система выступает в роли системы поддержки принятия врачебных решений. Методика предусматривает маркирование пигментных новообразований в соответствии с алгоритмом Киттлера. В качестве признаков рассматриваются бесструктурные области и следующие структурные элементы на дерматоскопических изображениях новообразований кожи: точки, глобулы, линии, круги, пигментная сеть. Компьютерный анализ дерматоскопических признаков с примерами изображений из базы знаний системы помогают врачу принять более точное диагностическое решение . Опубликовано 12 научных статей, в том числе 7 статей в журналах, индексируемых в Scopus и 5 статей, индексируемых в РИНЦ. Подано заявление на выдачу патента РФ на изобретение «Способ диагностики меланомы кожи».