Giới thiệu

Trong những năm gần đây, việc xử lý hình ảnh tiến bộ đã cải thiện đáng kể sự phát hiện và phân loại các tổn thương da trong ngành da. Trong khi các phương pháp chẩn đoán truyền thống dựa vào sự kiểm tra thị giác và sinh thiết ngoại cảm, các kỹ thuật xử lý hình ảnh không xâm hại, khách quan và thay thế có thể tính toán. bài này khám phá các kỹ thuật quan trọng, mô hình máy tính, và các hướng dẫn trong lĩnh vực phân tích da tự động.

Vai trò của quá trình xử lý ảnh trong ngành sản sinh

Các nhà sinh vật học từ lâu đã dựa vào việc soi da và khám mắt thường để nhận diện những tổn thương đáng ngờ. tuy nhiên, ngay cả những bác sĩ lâm sàng có kinh nghiệm cũng có thể đối mặt với sự biến đổi trong việc giải thích, đặc biệt khi phân biệt giữa những tổn thương lành tính và ác tính.

Tầm quan trọng của việc xử lý hình ảnh trở nên rõ ràng khi xem xét quy mô của ung thư da trên toàn thế giới. và giảm thiểu gánh nặng cho các dịch vụ truyền thông, cho phép bệnh nhân ở những vùng xa nhận được đánh giá chuyên gia.

Xử lý kỹ thuật phần cứng ảnh

Tăng cường ảnh và tiến trình tiền tiến

Hình vẽ thô thường bị ảnh hưởng bởi các đồ tạo tác như tóc, bong bóng, ánh sáng không đều và các biến thể màu. Kỹ thuật xử lý trước được áp dụng để bình thường hóa những ảnh này và cải tiến phân tích sau đó. Phương pháp thông thường bao gồm thuật toán màu (v. d., Gray World, Sắc xám của Gray), tương phản với việc tăng cường biểu đồ tần xuất hoặc kỹ thuật thích nghi, và việc cắt bỏ tóc qua bộ lọc hình thái hay sơn. Việc xử lý đúng đắn đã được hiển thị để tăng độ chính xác của phân đoạn và phân loại bằng cách giảm và điều kiện nhập chuẩn.

Đoạn văn bị vỡ

Đoạn văn có ý nói đến quá trình tách các tổn thương da ra khỏi mô lành mạnh. Phân đoạn chính xác là rất quan trọng vì nó xác định vùng lấy từ đó. Các phương pháp phân đoạn truyền thống bao gồm ngưỡng, phát hiện cạnh, các mối liên hệ hoạt động (snakes), và khu vực phát triển. Gần đây, việc nghiên cứu sâu như là các cấu trúc U-Net và R- CN đã đạt được trạng thái đặc biệt khi được đào tạo công khai trên các dữ liệu có sẵn như ISII (IAteral Zel Imion). Khả năng phân khúc chính xác cho phép xác các vùng thương tổn không đều như là các yếu tố đường kính và các yếu tố định dạng ABC.

Rút ra tính năng

Một khi một tổn thương được phân vùng, tính năng miêu tả các tính năng hình ảnh của nó được tính toán. Những tính năng này có thể được nhóm lại thành các tính năng hình (hình vuông, không đều nhau, đường kính), tính năng màu (có nghĩa là giá trị RGB, màu sắc biến thiên, sự hiện diện của nhiều màu sắc), và tính năng họa tiết (không cân đối, zalick, zalick). Tính năng được tạo ra phần lớn nhờ việc học sâu sắc, tự động học cách mô tả phân loại từ dữ liệu điểm ảnh. Tuy nhiên, tính năng được tách giữa thị lực máy tính truyền thống và việc học, và kết quả kết quả kết quả kết quả kết quả kết quả kết quả kết quả kết quả ngẫu nhiên.

Máy học tập và học tập sâu để phân loại

Mạng thần kinh tiến hóa

Việc chấp nhận mạng thần kinh tiến hóa (CNNNNs) đã biến đổi phân loại da. CNN được thiết kế để tự động học các phân cấp không gian tính năng, từ cạnh và kết cấu đến cấu trúc hình thái phức tạp. Các cấu trúc đáng chú ý như ResNet, Inception, và EfficientNet đã được sắp xếp trên mạng scanply và đạt được độ chính xác chẩn đoán tương đương với [FL]. [T/Fureciated-ciated-Scitions in itions. Lấy thí dụ, một nghiên cứu về định nghĩa của Esteva. Priva. Priquely đã chứng minh rằng một loại bệnh ung thư CNN đơn có thể được phân chia với các chuyên gia về cơ bản phân loại [FL] có khả năng chẩn đoán tương ứng với các chuyên gia [FT]: 1.FT]

Mô hình biến hình

Trong vài năm gần đây, những người biến đổi thị lực (ViTs) đã nổi lên như một sự thay thế cho CNN để phân loại ảnh. Những người biến hình sử dụng cơ chế tự lưu ý để ghi lại các phụ thuộc toàn cầu trên ảnh, có thể có ích cho việc nhận dạng các mẫu tổn thương bất thường. Mặc dù họ cần nhiều dữ liệu hơn được đào tạo, các thay đổi gần đây như chuyển đổi ảnh dạng dữ liệu (Deit) và Swiners đã thể hiện hiệu suất cạnh tranh trên các dấu chấm trên da. Kết hợp CNN với các thiết bị biến đổi trong cấu trúc lai là một khu vực nghiên cứu tích cực, nhằm tăng cường cả hai tính năng và tính năng toàn cầu.

Luyện tập tính chiến đấu và tìm tòi dữ liệu

Đào tạo các mô hình học sâu cho tổn thương da yêu cầu phân loại lớn, đa dạng và có nhiều loại khác nhau. Thiết lập dữ liệu công cộng như HAM10000, YORC Archive, và PH2 cung cấp hàng ngàn ảnh, nhưng sự mất cân bằng giữa các loại (có nhiều thương tổn ác tính) là một thử thách dai dẳng. Tính năng kỹ thuật như tính toàn cầu, chức năng giảm cân, và bán giám sát học giúp tăng sự thành kiến bù đắp. Sự thay đổi ngẫu nhiên như quay, thay đổi ngẫu nhiên, thay đổi, và thay đổi màu sắc - vậy cải tiến các mô hình tổng quát và tăng cường độ sắc khác nhau trong các tính năng tăng cường, như tính năng bổ sung và tăng cường hiệu suất bổ sung của phương pháp bổ sung và tăng cường các tính năng bổ sung của bộ lọc.

Vượt qua những thử thách then chốt

Bộ dữ liệu đa dạng và bias

Một trong những chướng ngại quan trọng nhất trong việc phát triển các phân loại da đáng tin cậy là sự thiếu hụt dữ liệu đa dạng, đại diện. Phần lớn các dữ liệu sẵn sàng được tạo ra từ vùng địa lý và dân số bệnh nhân, thường có sự đa dạng sắc màu giới hạn. Mô hình được đào tạo phần lớn trên loại da nhẹ hơn có thể hoạt động kém trên da tối hơn, nơi mà sự tương phản và các dấu hiệu khác nhau. Những nỗ lực như ORC 2020 và HM10000 dữ liệu khác nhau đã bắt đầu để xác định điều này, nhưng trong bộ sưu tập dữ liệu có nhiều hơn. Các nhà nghiên cứu cũng đang nghiên cứu về các loại dữ liệu tự thích nghi thuộc miền và thế hệ tổng hợp để giảm tính năng đa dạng.

Khả năng hiểu và khả năng giải thích

Để triển khai lâm sàng, các nhà nghiên cứu da liễu cần phải hiểu tại sao một thuật toán phân loại một thương tổn như ác tính hay lành tính. Mô hình học sâu thường được xem là hộp đen, cản trở sự tin tưởng và nhận con nuôi. kỹ thuật này có thể giải thích được, kể cả bản đồ có độ phân giải, và LIME, nhấn mạnh một phần của một hình ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh ảnh hưởng đến dự đoán. Cung cấp các giải thích trực quan có thể giúp các bác sĩ xác minh các lỗi và tiềm năng phát hiện các lý luận. Chẳng hạn, khi một mô hình tập trung vào một triệu chứng tóc thay vì tổn thương. phát triển các mô hình có thể giải thích được nhiều hơn. Việc phát triển các mô hình còn có thể giải thích được một ưu tiên trong thực hiện thường xuyên.

Hợp nhất và kiểm tra y khoa

Mặc dù sự chính xác cao trong các thiết lập phòng thí nghiệm, nhiều mô hình không thể tổng quát hóa khi được triển khai trong môi trường lâm sàng thực tế. Các chẩn đoán khác nhau về ánh sáng, chất lượng máy ảnh và vị trí bệnh nhân có thể giảm hiệu suất thực tế. Quản lý thực phẩm và thuốc giảm thiểu một số thiết bị nghiên cứu về cơ sở vật lý và thiết bị thu thập là tối quan trọng. Các nghiên cứu về khả năng xác định tương ứng với các phương pháp chăm sóc chuẩn cần thiết để đo ảnh hưởng lâm sàng. Các nhà quản lý thực phẩm và dược phẩm (FA) đã xóa bỏ một số công cụ nghiên cứu về sơ đồ thị AI, nhưng vẫn cần thiết để duy trì và cập nhật tính năng cần thiết để duy trì hiệu suất thời gian.

Hướng đi tương lai và những cuộc chiến tranh gay go

Hình ảnh động và chuyển động được

Kết hợp các thuật toán xử lý ảnh chụp vào ứng dụng điện thoại thông minh và thiết bị ghi đè (clicks) mở ra những khả năng mới cho việc kiểm tra điểm chăm sóc. Bệnh nhân có thể thu ảnh của chính mình và nhận đánh giá sơ bộ về nguy cơ, trong khi các nhà nghiên cứu da liễu có thể xem xét ảnh từ xa. Một nền tảng đa thức giảm thời gian và cải tiến khả năng tiếp cận chuyên gia chăm sóc đặc biệt trong vùng chăm sóc. Các cải tiến trong cảm biến máy ảnh di động và tính cạnh sẽ tăng cường khả năng phân tích thời gian thực bên ngoài thiết lập lâm sàng. [L: 0] Trình chuyển đồ thị từ Học viện Hoa Kỳ [F: 1]

Các phương pháp đa động tác

Chỉ phân tích dựa trên ảnh có thể không thu được tất cả thông tin lâm sàng thích hợp. Kết hợp ảnh chụp với siêu dữ liệu của bệnh nhân (tuổi, lịch sử thương tổn, yếu tố rủi ro gen) và các yếu tố khác ảnh (v. d., khả năng phản ánh cấu trúc cấu trúc cấu trúc cấu trúc cấu trúc, sự tương tác với nhau, sự kết hợp giữa các thông tin về địa lý và địa lý có thể giúp chuẩn đoán chính xác. Có thể cung cấp các mẫu thông tin về sự tăng trưởng và rủi ro tính chất xác suất.

Kết luận

Việc xử lý hình ảnh cấp cao, được cung cấp năng lượng bởi máy học và học tập sâu. đang phân tích lại cảnh quan của các chẩn đoán xác định da. từ tiến trình xử lý và phân chia trước và phân loại công nghệ đến tính năng thu thập và phân loại, những kỹ thuật này cung cấp mục tiêu, kiểm tra lại, và phân tích có thể kiểm soát được, và có thể kiểm tra lại được các tổn thương da. Trong khi những thách thức như định sẵn dữ liệu, tính khả năng giải thích, tính hợp lý, và tính hiệu quả, các nhà phát triển và công nghệ tiếp tục tiến hành công nghệ này một cách an toàn, và hiệu quả trong các công nghệ hàng ngày.

Để xem lại toàn diện kỹ thuật phân tích thương tổn da, xin nhắc đến [FLT: 0] bài này về Trung tâm PbMed .