ВЫЯВЛЕНИЕ КОЖНЫХ ЗАБОЛЕВАНИЙ ПО ИЗОБРАЖЕНИЯМ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ И ГЛУБОКОГО ОБУЧЕНИЯ

EDX: WXRKQY

В настоящее время одним из важнейших методов, требующих изучения, является классифи­кация кожных заболеваний на основе автоматизированных систем, работающих с медицин­скими изображениями, полученными с поверхности пораженной кожи. Кожные заболевания представляют собой глобальную проблему здравоохранения: их распространенность ежегодно увеличивается, создавая серьезную угрозу жизни и здоровью миллионов людей. Ранняя диа­гностика играет ключевую роль в предотвращении прогрессирования болезни и ее осложне­ний. Сегодня ведется большое количество исследований, направленных на выявление кожных заболеваний на начальных стадиях, и предлагаются различные решения. Одним из наиболее перспективных подходов, предложенных учеными, является использование интеллектуальных систем для классификации заболеваний но медицинским изображениям. В данной работе бы­ли проанализированы методы, модели и алгоритмы автоматической классификации кожных заболеваний на основе машинного обучения (ML) и глубокого обучения (DL). Также были изу­чены методы предварительной обработки медицинских изображений, позволяющие повысить точность и скорость работы моделей. В ходе анализа сопоставлены результаты предыдущих исследований и оценена точность предложенных в них моделей, а также подготовлены сравни­тельные таблицы для использования в будущих научных работах. Цель исследования вос­полнить существующий пробел в области применения ML и DL для классификации кожных заболеваний. Полученные выводы помогут исследователям разрабатывать более эффективные решения, выявлять текущие проблемы и учитывать новейшие достижения в данной сфере.

Список литературы

1.  Burden of skin disease. [Electron. Res.]: https://www.aad.org/member/clinical-quality/ clinical-care/bsd.
2.  Skin conditions by the numbers. [Electron. Res.]: https://www.aad.org/media/stats-numbers.
3.  Rahman Attar et al. Reliable Detection of Eczema Areas for Fully Automated Assessment of Eczema Severity from Digital Camera Images. [Electron. Res.]: https://doi.Org/10.1016/j .xjidi.2023.100213.
4.  Elisabeth V. Goessinger et al. Image-Based AI in Psoriasis Assessment: The Beginning of a New Diagnostic Era? // AJCD 2024. [Electron. Res.]: https://doi.org/10.1007/s40257-024-00883-y.
5.  Kimberley Yu, BA et al. “Machine Learning Applications in the Evaluation and Management of Psoriasis: A Systematic Review” 2020, DOI: 10.1177/2475530320950267.
6.  Cortes Verdu R. et al. Prevalence of systemic lupus erythematosus in Spain: Higher than previously reported in other countries // Rheumatology. 2020, N 59, P. 2556-2562.
7.  Iciar Usategui et al. Systemic Lupus Erythematosus: How Machine Learning Can Help Distinguish between Infections and Flares // Bioengineering. 2024, N 11(1), 90; (Electron. Res.]: https://doi.org/10.3390/bioengineeringll010090.
8.  Basal Cell Carcinoma Treatment in India. (Electron. Res.]: https://bit.ly/3Ybz4Aj.
9.  Squamous cell carcinoma of the skin. (Electron. Res.]: https://mayocl.in/4f5yhbd.
10.  Bhagvasri М., et al. Study on machine learning and deep learning methods for cancer detection // J. Image Process AI . 2018. Vol. 4.
11.  Kuldeep Vavadande et al. Innovative approaches for skin disease identification in machine learning: A comprehensive study // Oral Oncology Reports. June 2024. Volume 10, 100365.
12.  Nisar H., et al. Automatic segmentation and classification of eczema skin lesions using supervised learning, 2020; 10.1109/ICOS50156.2020.9293657.
13.  Jagdish М., et al. Advance study of skin diseases detection using image processing methods // NVEO 2022, Vol. 9, N 1, (Electron. Res.]: https://www.cabidigitallibrary.org/doi/full/10. 5555/20220157042.
14.  AlDera S. A., Othman М. Т. B. A Model for Classification and Diagnosis of Skin Disease using Machine Learning and Image Processing Techniques // IJACSA. 2022. Vol. 13, N 5.
15.  Qavs Hatem Mustafa. Skin lesion classification system using a К nearest neighbor algorithm // HVCI, Biomedicine, and Art. 2022. 5:7. (Electron. Res.]: https://doi.org/10.1186/s42492-022- 00103-6.
16.  Souza Jhonatan et al. Automatic Detection of Lupus Butterfly Malar Rash Based on Transfer Learning. (Electron. Res.]: https://sol.sbc.org.br/index.php/wvc/article/download/ 13499/13347/.
17.  Bandvopadhyav Samir et al. Machine Learning and Deep Learning Integration for Skin Diseases Prediction // IJETT ISSN. 11-18, February, 2022. Vol. 70. Issue 2. P. 2231-5381.
18.  Laura К Ferris et al. Computer-aided classification of melanocvtic lesions using dermoscopic images // J. Am Acad Dermatol. Nov. 2015; 73(5):769-76.
19.  What is Normalization in Machine Learning? A Comprehensive Guide to Data Rescaling. (Electron. Res.]: https://www.datacamp. com/tutorial/normalization-in-machine-learning.
20.  Normalization: The First Step in Image Prep. (Electron. Res.]: https://www.linkedin.com/ pulse/normalization-first-step-image-preprocessing-datavalley-ai-luwlc.
21.  Manoj Diwakar, Manoj Kumar. A review on CT image noise and its denoising // Biomedical Signal Processing and Control. 2018. N 42. P. 73-88.
22.  Patil R. et al. Medical Image Denoising Techniques: A Review. 2022. Volume 4, Issue 1.
23.  Edge Detection in Image Proc.: An Introduction. (Electron. Res.]: https://blog.roboflow. com/edge-detection/.
24.  Lakshmanan B. et al. Stain removal through color normalization of haematoxvlin and eosin images: a review // Journal of Physics: Conference Series. 2019. 1362.
25.  Different Morphological Operations in Image Processing. (Electron. Res.]: https://www. geeksforgeeks.org/different-morphological-operations-in-image-processing/.
26.  Zhe Zhu. Change detection using landsat time series: A review of frequencies, preprocessing, algorithms, and applications // ISPRS 2017. (Electron. Res.]: https://doi.Org/10.1016/j. isprsjprs.2017.06.013.
27.  Mostafiz Ahammed, Md. et al. A machine learning approach for skin disease detection and classification using image segmentation, HA. [Electron. Res.]: https://doi.Org/10.1016/j .health.2022.100122.
28.  Krishna М., Monika, N. et al. Skin cancer detection and classification using machine learning.
29. Volume 33, Part 7. [Electron. Res.]: https://doi.Org/10.1016/j .matpr.2020.07.366.
30.  Vidva М., et. al. Skin Cancer Detection using Machine Learning Techniques // 2020 IEEE (CONECCT) 10.1109/CONECCT50063.2020.9198489.
31.  Maurva R et al. Skin cancer detection through attention guided dual autoencoder approach with ELM // Sci. Rep. 2024. 14(1):17785. [Electron. Res.]: https://doi.org/10.1038/s41598-024- 68749-1.
32.  Keerthana D et al. Hybrid convolutional neural networks with SVM classifier for classification of skin cancer // Biomed. 2023. [Electron. Res.]: https://doi.Org/10.1016/j .bea.2022.100069.
33.  Shuchi Bhadula, et al. Machine Learning Algorithms based Skin Disease Detection // IJITEE.
34. Vol. 9 Iss. 2. [Electron. Res.]: https://www.researchgate.net/publication/341371302_MLSDD.
35.  Hameed N., et al. A Computer-Aided diagnosis system for classifying prominent skin lesions using machine learning. 2019, DOI: 10.1109/CEEC.2018.8674183.
36.  Koklu M. et al. Skin Lesion Classification using Machine Learning Algorithms // Int. J. Intell. Svst. Appl. Eng., 2017. Vol. 4, N 5, P. 285-289, DOI: 10.18201/ijisae.2017534420.
37.  Chen Yin et al. Non-invasive prediction of the chronic degree of lupus nephropathy based on ultrasound radiomics // Sage Journals Home. 2023. Volume 33, Issue 2.
38.  Parvathaneni Naga Srinivasu et al. Classification of Skin Disease Using Deep Learning Neural Networks with MobileNet V2 and LSTM // Sensors (Basel). 2021 Apr 18; 21(8):2852.
39.  Yaseliani Mohammad et al. Diagnostic clinical decision support based on deep learning and knowledge-based systems for psoriasis: From diagnosis to treatment options // Computers k, Industrial Engineering. January 2024, Vol. 187, 109754.
40.  Jothimani Subramani et al. Gene-Based Predictive Modelling for Enhanced Detection of SLE Using CNN-Based DL Algorithm // Diagnostics, 2024. Vol. 14, Iss. 13.
41.  Sved Inthivaz et al. Skin disease detection using deep learning // Advances in Engineering Software. January 2023. Vol. 175.
42.  Himanshu K. Gajera et al. A comprehensive analysis of dermoscopv images for melanoma detection via deep CNN features // BSPC. January 2023. Vol. 79, Part 2.
43.  Reza Ahmadi Mehr, Ali Ameri. Skin Cancer Detection Based on Deep Learning // Journal of Biomedical Physics and Engineering. December 2022. Vol. 12, Iss. 6, 55, P. 559-568.
44.  Jahin Alam Md. et al. S²C-DeLeNet: A parameter transfer based segmentation-classification integration for detecting skin cancer lesions from dermoscopic images // Computers in Biology and Medicine. November 2022, Vol. 150.
45.  Hammad Mohamed et al. Enhanced Deep Learning Approach for Accurate Eczema and Psoriasis Skin Detection // Sensors. 2023, 23, 7295. [Electron. Res.]: https://doi.org/10.3390/s23167295.
46.  Rai H. M. et al. Computational Intelligence Transforming Healthcare 4.0: Innovations in Medical Image Analysis through AI and IoT Integration // DDDSSIHC. 2025. Chap.3, P. 15, CRC Press. [Electron. Res.]: https://doi.org/10.1201/9781003507505.
47.  Bobokhonov A., Xuramov L., Rashidov A. Tibbiv tasvirlar asosida teri kasalliklarini samarali tasniflash usullari // Digital Transformation and AI, 3(3), 128-139 [Electron. Res.]: https://dtai. tsue.uz/index.php/dtai/article/view/v3i319