SELECTED APPLICATIONS OF DEEP NEURAL NETWORKS IN SKIN LESION DIAGNOSTIC

Magdalena Michalska

doi:10.35784/iapgos.2804

Open full text

PDF (English)

Opublikowane: gru 20, 2021

DOI: https://doi.org/10.35784/iapgos.2804

Numer Tom 11 Nr 4 (2021)

Artykuły

CAŁKI OSOBLIWE W METODZIE ELEMENTÓW BRZEGOWYCH DLA RÓWNANIA HELMHOLTZA SFORMUŁOWANEGO W PRZESTRZENI CZĘSTOTLIWOŚCI
Tomasz Rymarczyk, Jan Sikora

4-8
ZASTOSOWANIE PLATFORM THREAT INTELLIGENCE DO ZWIĘKSZENIA OCHRONY ZASOBÓW INFORMACJI PUBLICZNEJ
Bohdan Nikolaienko, Serhii Vasylenko

9-13
TECHNOLOGIA POŚREDNIEGO UKRYWANIA INFORMACJI NA ZASADZIE MULTIADYCZNEJ
Volodymyr Barannik, Natalia Barannik, Oleksandr Slobodyanyuk

14-17
WYBRANE ZASTOSOWANIA GŁĘBOKICH SIECI NEURONOWYCH W DIAGNOZIE ZMIAN SKÓRNYCH
Magdalena Michalska

18-21
EFEKTYWNA METODA WYKRYWANIA LINII Z WYKORZYSTANIEM KONWOLUCYJNEGO FILTRU 2D
Paweł Kowalski, Piotr Tojza

22-27
ZASTOSOWANIE METODY ANALIZY CZYNNIKOWEJ DO KONSTRUOWANIA FUNKCJI CELU OPTYMALIZACJI W PROBLEMACH TRANSPORTU MULTIMODALNEGO
Serhii Zabolotnii, Artem Honcharov, Sergii Mogilei

28-31
DOKŁADNOŚĆ KOMUNIKACJI SATELITARNEJ W WYBRANYCH MOBILNYCH SMARTFONACH ANDROID
Przemysław Falkowski-Gilski

32-37
KOMPENSACJA DYSPERSJI CHROMATYCZNEJ W ISTNIEJĄCYCH ŚWIATŁOWODOWYCH LINIACH TELEKOMUNIKACYJNYCH Z ROSNĄCYM ZAPOTRZEBOWANIEM PRZEPŁYWNOŚCI W SYSTEMACH DWDM
Tomasz Bobruk

38-41
ŚWIATŁOWODOWE STRUKTURY BRAGGA O MONOTONICZNEJ CHARAKTERYSTYCE APODYZACJI
Jacek Klimek

42-46
O POJEMNOŚCI OGNIW FOTOWOLTAICZNYCH W WARUNKACH CZĘŚCIOWEGO ZACIEMNIENIA
Mateusz Bartczak

47-50
STEROWANIE CZTEROPRZEWODOWYM TRÓJPOZIOMOWYM PRZEKSZTAŁTNIKIEM AC/DC Z NIEZALEŻNĄ KONTROLĄ MOCY W KAŻDEJ Z FAZ
Bartłomiej Stefańczak

51-54
METODA POMIARU I REDUKCJI ZABURZEŃ ELEKTROMAGNETYCZNYCH INDUKOWANYCH PRZEZ PRZEPIĘCIA ŁĄCZENIOWE W OBWODACH nN
Patryk Wąsik

55-61
ZWIĘKSZENIE EFEKTYWNOŚCI KOSZTOWEJ PROWADZENIA BADAŃ IN VITRO POPRZEZ ZASTOSOWANIE TYTANU W URZĄDZENIU DO POMIARU PARAMETRÓW ELEKTRYCZNYCH KOMÓREK
Dawid Zarzeczny

62-66
ELIPSOMETRYCZNY SYSTEM SPEKTROSKOPOWY DO SZYBKIEJ OCENY SKŁADU CIENKICH WARSTW Bi2Te3-XSeX
Vladimir Kovalev, Saygid Uvaysov, Marcin Bogucki

67-74
WYKORZYSTANIE NISKOBUDŻETOWYCH CZUJNIKÓW STĘŻENIA CZĄSTECZEK W CELU POMIARU ZANIECZYSZCZEŃ POWSTAJĄCYCH W TRAKCIE PRACY DRUKAREK 3D
Jarosław Tatarczak

75-77

Archiwum

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

2021

Tom 11 Nr 4
2021-12-20 15
Tom 11 Nr 3
2021-09-30 10
Tom 11 Nr 2
2021-06-30 11
Tom 11 Nr 1
2021-03-31 14

2020

Tom 10 Nr 4
2020-12-20 16
Tom 10 Nr 3
2020-09-30 22
Tom 10 Nr 2
2020-06-30 16
Tom 10 Nr 1
2020-03-30 19

2019

Tom 9 Nr 4
2019-12-16 20
Tom 9 Nr 3
2019-09-26 20
Tom 9 Nr 2
2019-06-21 16
Tom 9 Nr 1
2019-03-03 13

DOI

https://doi.org/10.35784/iapgos.2804

Authors

Magdalena Michalska

mmagamichalska@gmail.com

Politechnika Lubelska, Katedra Elektroniki i Technik Informacyjnych, Polska

http://orcid.org/0000-0002-0874-3285

Abstrakt

Artykuł zawiera przegląd wybranych zastosowań głębokich sieci neuronowych w diagnostyce zmian skórnych z obrazów dermatoskopowych człowieka z uwzględnieniem wielu chorób dermatologicznych, w tym bardzo niebezpiecznej z nich malignant melanoma. Został opisany proces segmentacji zmiany, selekcji cech i klasyfikacji. Uwzględniono przykłady binarnej i wieloklasowej klasyfikacji. Opisane algorytmy znalazły szerokie zastosowanie w diagnostyce zmian skórnych. Porównano i przeanalizowano skuteczność, specyficzność i dokładność klasyfikatorów w oparciu o dostępne zestawy danych.

Słowa kluczowe:

obrazy dermatoskopowe, sztuczne sieci neuronowe, melanoma, zmiany skórne

Bibliografia

Adegun A., Viriri S.: Deep learning-based system for automatic melanoma detection. IEEE Access 8/2020, 7160-7172. DOI: https://doi.org/10.1109/ACCESS.2019.2962812

Alendar F. et al.: Clear definitions,simple terminology, no metaphoric terms. Expert RevDermatol 3/2008, 27–29. DOI: https://doi.org/10.1586/17469872.3.1.27

Argenziano G. et al.: Epiluminescence microscopy for the diagnosis of doubtful melanocytic skin lesions. comparison of the ABCD rule of dermatoscopy and a new 7-point checklist based on pattern analysis. Archives of Dermatology 134/1998, 1563–1570. DOI: https://doi.org/10.1001/archderm.134.12.1563

Argenziano G. et al.: Dermoscopy of pigmented skin lesions: results of a consensus meeting via the Internet. Journal of American Academy of Dermatology 48(5)/2003, 679–693.

Attia M. et al.: Skin melanoma segmentation using recurrent and convolutional neural networks. Biomedical Imaging (ISBI 2017), 2017 IEEE 14th International Symposium, IEEE, 292–296. DOI: https://doi.org/10.1109/ISBI.2017.7950522

Blum H., Ellwanger U.: Digital image analysis for diagnosis of cutaneous melanoma. Development of a highly effective computer algorithm based on analysis of 837 melanocytic lesions, British Journal of Dermatology 151(5)/2004, 1029–1038. DOI: https://doi.org/10.1111/j.1365-2133.2004.06210.x

Brinker T.J. et al.: Deep learning outperformed 136 of 157 dermatologists in a head-to-head der moscopic melanoma image classification task. Eur J Cancer 113/2019, 47–54.

Codella N. et al.: Deep learning, sparse coding, and SVM for melanoma recognition in dermoscopy images. Machine Learning in Medical Imaging 2015, 118–126. DOI: https://doi.org/10.1007/978-3-319-24888-2_15

Codella N. et al.: Deep learning ensembles for melanoma recognition in dermoscopy images 2016, http://arxiv.org/abs/1610.04662 (accessed 4 October 2019).

Esteva A. et al.: Dermatologist-level classification of skin cancer with deep neural networks. Nature 542/2017, 115–118.

Esteva A.: Dermatologist-level classification of skin cancer with deep neural networks. Nat. Res. 542(7639)/2017, 115–118,. DOI: https://doi.org/10.1038/nature21056

Ge Y. et al.: Melanoma seg-mentation and classification in clinical images using deep learning. ICMLC 2018: Proceedings of the 2018 10th International Conference on Machine Learning and Computing 2018, 252–256. DOI: https://doi.org/10.1145/3195106.3195164

Ge Z. et al.: Skin disease recognition using deep saliency features and multimodal learning of dermoscopy and clinical images. Springer, Cham LNCS 10435/2017, 250–258. DOI: https://doi.org/10.1007/978-3-319-66179-7_29

Haenssle H.A. et al.: Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol 29/2018, 1836–1342. DOI: https://doi.org/10.1093/annonc/mdy520

Haenssle H.A. et al.: Man against machine reloaded: performance of a market-approved convolutional neural network in classifying a broad spectrum of skin lesions in comparison with 96 dermato-logists working under less artificial conditions. Ann Oncol 31/2020, 137–143.

He K., Zhang X, Ren, S., Sun J.: Deep residual learning for image recognition, Proceedings of the IEEE conference on computer vision and pattern recognition 2016, 770–778. DOI: https://doi.org/10.1109/CVPR.2016.90

Hekler A. et al.: Deep learning outperformed 11 pathologists in the classification of histopathological melanoma images. Eur J Cancer 118/2019, 91–96. DOI: https://doi.org/10.1016/j.ejca.2019.06.012

Kittler H. et al.: Dermatoscopy of unpigmented lesions of the skin: A new classification of vessel morphology based on pattern analysis. Dermatopathology: Practical & Conceptual 14(4)/2008, 3.

Li Y., Shen L.: Skin lesion analysis towards melanoma detection using deep learning network. Sensors 18/2018, 556. DOI: https://doi.org/10.3390/s18020556

Lopez A. R. et al.: Skin lesion classification from dermatoscopic images using deep learning techniques.

Maia L. et al.: Evaluation of melanoma diagnosis using deep features, 2018 25th International Conference on Systems, Signals and Image Processing (IWSSIP), 1–4, 2018. DOI: https://doi.org/10.1109/IWSSIP.2018.8439373

Marchetti M. A. et al.: Results of the 2016 international skin imaging collaboration international symposium on biomedical imaging challenge: comparison of the accuracy of computer algorithms to dermatologists for the diagnosis of melanoma from dermoscopic images. J Am Acad Dermatol 78/2018, 270–277. DOI: https://doi.org/10.1016/j.jaad.2017.08.016

Marchetti M.A. et al: Computer algorithms show potential for improving dermatologists’ accuracy to diagnose cutaneous melanoma: results of the international skin imaging collaboration 2017. J Am Acad Dermatol 82/2020, 622–627. DOI: https://doi.org/10.1016/j.jaad.2019.07.016

Maron R.C. et al.: Systematic outperformance of 112 dermato-logists in multiclass skin cancer image classification by convo-lutional neural networks. Eur J Cancer 119/2019, 57–65.

Menzies S. et al.: Frequency and morphologic characteristics of invasive melanomas lacking specific surface microscopic features. Archives of Dermatology 132/1996, 1178–1182. DOI: https://doi.org/10.1001/archderm.132.10.1178

Murphree D. H. et al.: Deep learning for dermatologists: Part I. J Am Acad Dermatol 2020, 1–9.

Nida N. et al.: Melanoma lesion detection and segmentation using deep region based convolutional neural network and fuzzy C-means clustering. International Journal of Medical Informatics 124/2019, 37–48. DOI: https://doi.org/10.1016/j.ijmedinf.2019.01.005

Nijeweme-d’Hollosy W. et al.: Evaluation of three machine learning models for self-referral decision support on low back pain in primary care. Int. J. Med. Inform. 110/2018, 31–41. DOI: https://doi.org/10.1016/j.ijmedinf.2017.11.010

Phillips M. et al.: Assessment of accuracy of an artificial intelligence algorithm to detect melanoma in images of skin lesions. JAMA Netw Open 2/2019, 1913436. DOI: https://doi.org/10.1001/jamanetworkopen.2019.13436

Rosendahl C., Cameron A., McColl I., Wilkinson I.: Dermatoscopy in routine practice, Chaos and Clues. Australian Family Physician 41(7)/2012.

Simonyan K., Zisserman A.: Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556, 2014.

Szegedy C. et al.: Going deeper with convolutions. Proceedings of the IEEE conference on computer vision and pattern recognition 2015, 1–9. DOI: https://doi.org/10.1109/CVPR.2015.7298594

Tschandl P et al.: Comparison of the accuracy of human readers versus machine-learning algorithms for pigmented skin lesion classification: an open, webbased, international, diagnostic study. Lancet Oncol 2019(20)/2019, 938–947. DOI: https://doi.org/10.1016/S1470-2045(19)30333-X

Wang Y. et al.: Incorporating clinical knowledge with constrained classifier chain into a multimodal deep network for melanoma detection. Computers in Biology and Medicine 137/2021, 104812. DOI: https://doi.org/10.1016/j.compbiomed.2021.104812

Young A. T. et al.: Artificial intelligence in dermatology: A Primer. Journal of Investigative Dermatology 140/2020, 1504–1512. DOI: https://doi.org/10.1016/j.jid.2020.02.026

Yu L. et al.: Automated melano-ma recognition in dermoscopy images via very deep residual networks. IEEE transactions on medical imaging 36(4)/2017, 994–1004. DOI: https://doi.org/10.1109/TMI.2016.2642839

Zhang J. et al.: Skin lesion classification in dermoscopy images using synergic deep learning, Springer Nature Switzerland, LNCS 11071/2018, 12–20. DOI: https://doi.org/10.1007/978-3-030-00934-2_2

Zhang X.: Melanoma segmentation based on deep learning. Computer Assisted Surgery 22/2017, 267–277. DOI: https://doi.org/10.1080/24699322.2017.1389405

Michalska, M. (2021). WYBRANE ZASTOSOWANIA GŁĘBOKICH SIECI NEURONOWYCH W DIAGNOZIE ZMIAN SKÓRNYCH. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 11(4), 18–21. https://doi.org/10.35784/iapgos.2804

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 11 Nr 4 (2021)

Archiwum

##plugins.themes.bootstrap3.article.main##

DOI

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja