Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций
Конференция: GraphiCon 2024; Омск; Омск
Год издания: 2024
Идентификатор DOI: 10.25206/978-5-8149-3873-2-2024-629-635
Ключевые слова: рак кожи, онкология, меланома, визуальные данные, глубокое обучение, свёрточные нейронные сети, skin cancer, oncology, melanoma, visual data, deep learning, convolutional neural networks
Аннотация: В статье рассматривается проблема роста заболеваемости раком кожи, особенно меланомой, которая является наиболее агрессивной и опасной формой этого заболевания. Основное внимание уделено инновационным технологиям диагностики кожных новообразований, в частности, применению искусственного интеллекта. В ходе исследования анализируетсяПоказать полностьюэффективность различных архитектур сверточных нейронных сетей для распознавания кожных новообразований на основе цифровых снимков. Исходные данные включают 25331 изображение различных типов кожных поражений из набора данных ISIC 2019. Для обучения и тестирования использованы методы аугментации данных для борьбы с дисбалансом классов. Было исследовано 20 моделей сверточных нейронных сетей. Основные метрики для оценки эффективности моделей включают ROC-AUC, accuracy, precision, recall и F-мера. Результаты экспериментов показали, что наилучшие показатели продемонстрировала модель EfficientNet_v2_s. Подбор гиперпараметров для этой модели позволил достичь улучшения метрик: ROC-AUC 0.923, accuracy 0.917, precision 0.833, recall 0.786 и F-мера 0.796.Таким образом, использование современных архитектур сверточных нейронных сетей и методов машинного обучения позволяет существенно повысить точность и надежность диагностики кожных новообразований, что имеет важное значение для раннего выявления и лечения рака кожи. The article deals with the problem of increasing incidence of skin cancer, especially melanoma, which is the most aggressive and dangerous form of this disease. The main attention is paid to innovative technologies for diagnosing skin neoplasms, in particular, the use of artificial intelligence. The study analyzes the effectiveness of different convolutional neural network architectures for recognizing skin neoplasms based on digital images. The raw data includes 25331 images of different types of skin lesions from the ISIC 2019 dataset. For training and testing, data augmentation techniques were used to deal with class imbalance. Twenty convolutional neural network models were investigated. The main metrics to evaluate the performance of the models include ROC-AUC, accuracy, precision, recall and F-measure. Experimental results showed that the EfficientNet_v2_s model demonstrated the best performance. Selection of hyperparameters for this model allowed to achieve improvement of metrics: ROC-AUC 0.923, accuracy 0.917, precision 0.833, recall 0.786 and F-measure 0.796. Thus, the use of modern convolutional neural network architectures and machine learning methods can significantly improve the accuracy and reliability of skin neoplasms diagnosis, which is important for early detection and treatment of skin cancer.
Журнал: GraphiCon 2024
Номера страниц: 629-635
Место издания: Омск