Методы и модели цифровой обработки изображений для анализа дерматоскопических узоров тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Козлов Владимир Сергеевич

• Козлов Владимир Сергеевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Козлов Владимир Сергеевич

Введение

1 Современное состояние исследований в области цифровой обработки и анализа дерматоскопических изображений

1.1 Эпидемиология и клиническая диагностика пигментных новообразований кожи

1.2 Компьютерные медицинские системы в дерматоскопической диагностике

1.3 Методы и средства распознавания изображений в дерматоскопии

1.4 Выводы

2 Разработка модели единого интерфейса системы анализа дерматоскопических изображений

2.1 Исследование путей построения систем анализа дерматоскопических изображений

2.2 Структура системы анализа дерматоскопических изображений

2.3 Модель единого интерфейса системы анализа дерматоскопических изображений

2.4 Проверка адекватности предложенной модели единого интерфейса системы анализа дерматоскопических изображений

2.5 Выводы

3 Разработка модели классификации пигментных узоров на дерматоскопических изображениях

3.1 Исследование подходов к выделению пигментных узоров на дерматоскопических изображениях

3.2 Метод сегментации дерматоскопических изображений на основе морфологических и цветовых характеристик пигментных узоров

3.3 Модель классификации пигментных узоров на дерматоскопических изображениях

3.4 Экспериментальная проверка адекватности предложенных метода и модели обработки дерматоскопических изображений

3.5 Выводы

4 Разработка модели распознавания пигментных узоров на базе интеграции классического и нейросетевого подхода

4.1 Анализ моделей распознавания дерматоскопических узоров

4.2 Интегрированная модель распознавания пигментных узоров на дерматоскопических изображениях

4.3 Экспериментальная проверка адекватности предложенной модели распознавания пигментных узоров

4.4 Сравнение предложенной интегрированной модели распознавания с нейросетевой моделью YOLO в режиме многоклассовой классификации

4.5 Выводы

ЗАКЛЮЧЕНИЕ

Список сокращений и условных обозначений Список литературы

136

137

Введение диссертации (часть автореферата) на тему «Методы и модели цифровой обработки изображений для анализа дерматоскопических узоров»

Введение

Актуальность работы. Меланома является одним из наиболее злокачественных новообразований кожи, и её распространенность продолжает расти во всем мире. При этом своевременное определение типа новообразования значительно увеличивает шансы на успешное лечение злокачественных форм опухолей. Таким образом, рост заболеваемости меланомой требует новых подходов к диагностике, которые позволят минимизировать влияние человеческого фактора и повысить точность диагностики меланомы и других новообразований кожи. Так, для диагностики пигментных новообразований кожи применяются клинические алгоритмы, позволяющие путем визуального анализа новообразования или его дерматоскопического изображения оценить степень злокачественности. В последнее время интерес дерматологов вызывает клинический алгоритм «хаос и признаки», применение которого, за счет четкой структуры и пошагового подхода, позволяет специалистам с небольшим опытом в дерматологии демонстрировать высокую точность диагностики. Данный алгоритм представляет пигментное новообразование как совокупность дерматоскопических узоров - линий, кругов, глобул, точек, псевдоподий и бесструктурных областей (так называемых «базовых дерматоскопических элементов») - и ставит в соответствие различным диагнозам определенные комбинации узоров и их характеристик.

Современные достижения в области искусственного интеллекта открывают новые возможности медицинской диагностики. При этом различают два принципиальных подхода - классический и нейросетевой. Классические методы анализа изображений основаны на принципах зрительного восприятия формы, цвета, текстуры и контраста объектов исследования. Нейросетевые технологии для пользователя представляются в виде «черного ящика» и не вызывают должного доверия врачей (врач юридически отвечает за результат диагноза). В то же время классические методы искусственного интеллекта в задачах диагностики отвечают логике диагностического поиска врача. При

большом объеме данных для обучения классические методы имеют, как правило, меньшую точность диагностики, нежели нейросетевые, но превосходят их при малых объемах обучающей выборки. В настоящей работе главное внимание уделено классическим методам и стандартным нейросетевым, а также интеграции этих методов в целях повышения доверия врача.

Разметка дерматоскопических изображений требует значительных временных затрат со стороны специалистов. Данный процесс включает выделение границ новообразований и дерматоскопических узоров, что может занимать до нескольких минут для одного изображения. При этом объёмы данных могут достигать сотен или даже тысяч изображений, что делает ручную разметку непрактичной. Автоматизация нанесения разметки позволяет значительно сократить время подготовки данных для последующей обработки в целях диагностики типа новообразования. В случае с автоматизацией алгоритма «хаос и признаки» особенно остро стоит проблема формализации метафорического языка, с помощью которого даются определения тех или иных узоров. Например, согласно дерматоскопическому определению, точки -объекты, размер которых слишком мал, чтобы иметь различимую форму. Глобулы же отличаются от точек размерами и формой. Бесструктурной считается область, содержащая недостаточно базовых элементов, чтобы сформировать узор. Формализация подобных определений для построения алгоритмов распознавания сильно затруднена их нечеткостью. Определения геометрических объектов, имеющих те же названия, что и базовые элементы, не отражают их сути. Так, «линии» в алгоритме «хаос и признаки» в цифровом представлении имеют толщину, аналогично, точки на самом деле имеют пиксельные размеры и площадь, в отличие от математических представлений. Тем не менее, признаки, позволяющие распознать дерматоскопические узоры, имеют математическую природу, что позволяет создавать компьютерные системы диагностики, основанные на распознавании и анализе таких узоров.

Объединение аннотированной базы данных, инструмента разметки, а также средств для расчета текстурных признаков и обучения моделей

распознавания в рамках единого интерфейса позволяет создать систему, которая упрощает процесс обработки изображений за счет автоматизации рутинных операций и снижает субъективность принятия врачебных решений.

Таким образом, исследования, направленные на разработку методов и моделей цифровой обработки изображений в области дерматоскопии являются актуальными и, в частности, отвечают национальной стратегии развития искусственного интеллекта в России, установленной указом Президента РФ от 10.10.2019 N 490 (ред. от 15.02.2024).

Степень научной разработанности темы исследования. В последнее время предпринимаются многочисленные попытки автоматизировать процесс диагностики пигментных новообразований кожи.

Исследования в этой области выполняются рядом организаций по всему миру, такими как Государственный научный центр дерматовенерологии и косметологии Минздрава России, МГТУ им. Н.Э. Баумана, Московский научно-исследовательский онкологический институт им. П.А. Герцена, Московский физико-технический институт, Первый МГМУ имени И.М. Сеченова, Приволжский исследовательский медицинский университет, Российский университет дружбы народов, Самарский национальный исследовательский университет им. академика С.П. Королева, Тамбовский Государственный Университет, Центральная государственная медицинская академия Управления делами Президента Российской Федерации, Юго-Западный государственный университет, Barcelona Institute of Global Health (г. Барселона, Испания), Graz University of Technology (г. Граз, Австрия), The University of Hong Kong (г. Гонгконг, Китай), University of Technology (г. Вена, Австрия) и др.

В области автоматизации диагностики пигментных новообразований известны работы отечественных и зарубежных исследователей: Брежнева А.В., Гаврилова Д.А., Гамеевой Е.В., Дзюбина И.А., Закирова Э.И., Кругловой Л.С., Мелерзанова А., Потекаева Н.Н., Сергеева В.Ю., Сергеева Ю.Ю., Томаковой Р.А., Филиста С.А., Фролова С.В., Шкуринова А.П., Шливко И.Л., Argenziano G.,

Binder M., Chen Hao, Dou Qi, Ganster H., Kittler H., Pinz P., Qin Jing, Rohrer R., Wildling E., Yu Lequan и др.

На сегодняшний день широко применяются такие устройства получения дерматоскопических снимков как разработанный ООО "НПО "Биофотоника" отечественный дерматоскоп РДС-2, а также разработанные в Германии устройства компании FotoFinder. Широко известно отечественное приложение для скрининга меланомы «ПроРодинки», созданное в Привожском исследовательском медицинском университете. Разработке общих положений и философии применения искусственного интеллекта в медицине посвящены работы Н.Н. Потекаева (МНПЦ дерматовенерологии и косметологии), В.Г. Никитаева (НИЯУ МИФИ). В области разработки методов обработки медицинских данных примечательны работы Н.А. Кореневского, Т.Н. Конаныхина (ЮЗГУ), З.М. Юлдашева (СПБГУ ЛЭТИ). В области анализа медицинских изображений известны работы С.А. Филиста (ЮЗГУ), А.В. Самородова (МГТУ им. Н.Э. Баумана). Ранней диагностике новообразований кожи посвящены работы С.О. Самохина, А.В. Патрушева, Ю.И. Акаева (Военно-медицинская академия имени С.М. Кирова). Распознаванию пигментных узоров посвящены многие работы Л.С. Кругловой и В.Ю. Сергеева (ЦГМА Управления делами Президента РФ).

Несмотря на успехи в области компьютерной диагностики пигментных новообразований кожи, нерешенными остаются проблемы:

1) существующие методы обработки изображений не учитывают специфику дерматоскопических снимков и требуют специальной адаптации;

2) слабая формализация врачебных описаний пигментных узоров затрудняет построение математических моделей дерматоскопических структур, необходимых для анализа дерматоскопических снимков с применением искусственного интеллекта;

3) низкая точность широко применяемых нейросетевых моделей при их обучении с применением малых выборок;

4) высокая трудоемкость ручной разметки пигментных узоров, важных для анализа дерматоскопических снимков и диагностики новообразований кожи;

5) низкое доверие врачей дерматологов к системам распознавания изображений, основанным на нейросетевых подходах;

6) недостаточно научных работ по классическим технологиям искусственного интеллекта, основанным на зрительном восприятии элементов дерматоскопических узоров (точек, глобул, линий и т.д.) с применением отечественного дерматоскопа РДС-2;

7) недостаточная распространенность систем анализа дерматоскопических изображений, включающих в себя ручную и автоматизированную разметку узоров, а также функции для обучения моделей распознавания изображений;

8) недостаточная иследованность возможностей построения систем распознавания дерматоскопических изображений с применением отечественных дерматоскопов РДС-2.

Цель работы. Разработка методов и моделей цифровой обработки изображений с интеграцией классических и нейросетевых технологий искусственного интеллекта для исследования путей повышения качества распознавания дерматоскопических узоров на базе отечественных дерматоскопов РДС-2.

Для достижения поставленной цели поставлены следующие задачи:

1. Определение современных и перспективных подходов в цифровой обработке дерматоскопических изображений.

2. Разработка модели единого интерфейса системы анализа дерматоскопических изображений РДС-2 на базе стандартизации данных о пигментных узорах и модульной архитектуры.

3. Разработка метода сегментации дерматоскопических изображений новообразований кожи для выделения диагностически значимых элементов узора.

4. Формирование набора признаков для последующей классификации пигментных узоров бесструктурных областей, линий, глобул и точек на дерматоскопических изображениях.

5. Разработка модели распознавания пигментных узоров (бесструктурных областей, линий, глобул и точек) на основе интеграции классического и нейросетевого подходов искусственного интеллекта.

Методы исследования. В диссертационной работе для решения поставленных задач использовались: методы системного анализа и синтеза биотехнических систем, теория проектирования сложных информационных систем и теория моделирования; методы и алгоритмы обработки изображений, теории распознавания образов, теория вероятностей и математической статистики.

Научная новизна работы:

1. Метод сегментации дерматоскопических изображений новообразований кожи, отличающийся применением выделения границ, локальной бинаризации и фильтрации связных областей бинарной маски, адаптированных к особенностям цвета, текстуры и формы базовых дерматоскопических элементов, что обеспечивает повышение общей точности распознавания пигментных узоров с 0,74 до 0,84;

2. Модель классификации пигментных узоров, отличающаяся применением набора текстурных признаков, отобранных путем сокращения размерности пространства признаков за счет их анализа корреляции и значимости с 6408 до 129 с сохранением общей точности классификации пигментных узоров 84% классификатором «случайный лес»;

3. Модель распознавания пигментных узоров на дерматоскопических изображениях новообразований кожи, отличающаяся применением интегрированного подхода, включающего текстурный анализ на основе предложенной модели и классификатора «случайный лес» и нейронной сети YOLOv8-seg в режиме одноклассовой классификации, что обеспечивает на 13%

большую точность по сравнению с нейросетевым алгоритмом YOLOv8-seg в режиме многоклассовой классификации в условиях ограниченного объёма обучающей выборки.

4. Модель единого интерфейса системы анализа пигментных узоров на дерматоскопических изображениях, которая отличается стандартизацией данных об областях пигментных узоров, модульным подключением моделей распознавания (классической и нейросетевой) с возможностью их замены без нарушения логики работы системы, а также гибким расширением классов разметки, что обеспечивает совместимость компонентов системы, включая аннотированную базу изображений, инструменты разметки и модели распознавания, и приводит к повышению универсальности и масштабируемости системы автоматизированного анализа дерматоскопических изображений.

Теоретическая значимость состоит в развитии теории создания систем дерматоскопической онкодиагностики с интеграцией классических и нейросетевых методов и средств искусственного интеллекта.

Практическая значимость работы в том, что разработанные метод и модели цифровой обработки дерматоскопических изображений внедрены в научно-исследовательскую деятельность НИЦ «Клиника дерматологии» по совершенствованию методов диагностики, а также в учебный процесс кафедры «Компьютерных медицинских систем» (№46) НИЯУ МИФИ.

Положения, выносимые на защиту:

1) метод сегментации дерматоскопических изображений новообразований кожи, включающий выделение границ, локальную бинаризацию и фильтрацию связных областей бинарной маски, адаптированные к особенностям цвета, текстуры и формы базовых дерматоскопических элементов, обеспечивает повышение общей точности распознавания пигментных узоров с 0,74 до 0,84;

2) модель классификации пигментных узоров на изображениях новообразований кожи, включающая набор из 129 характеристик, сформированная за счет отбора признаков по корреляции и значимости из

исходного набора объёмом 6408 характеристик, обеспечивает повышение интерпретируемости и увеличение быстродействия классификации при сохранении точности за счёт сокращения размерности пространства признаков;

3) модель распознавания пигментных узоров на дерматоскопических изображениях новообразований кожи, основанная на интегрированном подходе, включающем текстурный анализ и классификацию методом «случайный лес» совместно с нейросетевой моделью YOLOv8-seg в режиме одноклассовой классификации, обеспечивает на 13% большую точность по сравнению с широко применяемой нейросетевой моделью YOLOv8-seg в режиме многоклассовой классификации, в условиях ограниченного объёма обучающей выборки;

4) модель единого интерфейса системы анализа пигментных узоров повышает универсальность и масштабируемость подобных систем за счёт стандартизации данных разметки, унифицированного подключения моделей распознавания и возможности гибкого расширения классов объектов.

Степень достоверности и апробация результатов. Результаты исследования показали согласованность с теорией компьютерного зрения, машинного и глубокого обучения, а также аналогичными результатами обработки дерматоскопических изображений пигментных новообразований кожи, которые были получены другими исследователями.

Основные результаты диссертационной работы представлялись на школе-конференции молодых ученых с международным участием «Ильинские чтения» ГБУ ГНЦ ФМБЦ им. А.И. Бурназяна ФМБА России, 2025 г.; результаты работы, в частности метод, модели и система внедрены в учебный процесс кафедры «Компьютерных медицинских систем» (№46) НИЯУ «МИФИ», а также для практического применения в НИЦ «Клиника дерматологии», г. Москва, что подтверждается соответствующими актами о внедрении.

Личный вклад соискателя. Все изложенные в диссертации результаты исследования получены либо соискателем лично, либо при его непосредственном участии.

Публикации. Основные положения и результаты диссертационной работы опубликованы в 16 работах, включающих 5 статей в журналах из перечня ВАК, 5 статей в журналах, индексируемых в международных базах цитируемости Web of Science и Scopus, 1 патент на изобретение, 1 свидетельство о регистрации программного обеспечения.

Структура и объем диссертационной работы. Работа состоит из введения, четырех глав, заключения, списка использованных источников из 166 наименований. Диссертация изложена на 158 страницах машинописного текста, содержит 38 рисунков, 17 таблиц.

1 Современное состояние исследований в области цифровой обработки и анализа дерматоскопических изображений

1.1 Эпидемиология и клиническая диагностика пигментных

новообразований кожи

По данным последних исследований, заболеваемость опасным онкологическим заболеванием меланомой кожи в Российской Федерации демонстрирует устойчивый рост, занимая второе место среди всех злокачественных новообразований по темпам ее прироста [1]. Аналогичные тренды наблюдаются во всем мире [2-3]. Анализ статистики показывает, что стандартизованный показатель заболеваемости меланомой кожи в России составляет 4,39 на 100 000 единиц населения [4]. При этом, можно отметить, что заболеваемость неравномерно распределена между различными регионами и группами населения. Так, в Центральном федеральном округе, включая Москву и Московскую область, заболеваемость на 10,2% выше, чем в среднем по стране, вместе с тем заболеваемость меланомой среди женского населения на 35% выше, чем у мужского [5]. Подобные особенности могут быть обусловлены населенностью и экологической обстановкой в различных регионах, а также половыми и генетическими различиями. На фоне высокой заболеваемости в Москве и Московской области отмечается также и более высокая доля выявления меланомы на ранних стадиях (1-11 стадии у 71,2% больных), что может быть связано с большей доступностью медицинских услуг и осведомленностью населения о важности ранней диагностики [6].

Развитие новообразований кожи тесно связано с рядом факторов риска, которые можно разделить на генетические, биологические и поведенческие. Одним из ключевых факторов является уровень пигментации организма человека, который играет важную роль в защите кожи от ультрафиолетового излучения. Кроме того, метаболические нарушения, такие как

инсулинорезистентность и низкий уровень адипонектина, коррелируют с повышенным риском развития рака кожи [7].

Для обнаружения меланомы требуется дифференциальная диагностика, основанная на сравнении клинической картины различных возможных диагнозов. Новообразования кожи представляют собой разнообразную группу доброкачественных и злокачественных образований, которые могут различаться по происхождению, структуре и клиническим проявлениям. Среди них особое место занимают пигментные новообразования, которые состоят из меланоцитов - специализированных клеток, ответственных за выработку пигмента меланина. Также они отличаются от других типов кожных новообразований наличием характерной окраски, которая может варьироваться от светло-коричневой до черной. Такие образования, как невусы (родинки), являются наиболее распространенным примером пигментных новообразований. Несмотря на то, что большинство пигментных новообразований доброкачественны, они могут подвергаться малигнизации, то есть трансформироваться в злокачественную опухоль - меланому. Другие виды кожных новообразований, такие как кератозы, базальноклеточные карциномы или плоскоклеточные карциномы, не связаны с пигментными клетками и имеют другую природу происхождения. Биологические основы пигментных новообразований кожи связаны с функционированием меланоцитов - клеток, расположенных в базальном слое эпидермиса. Меланоциты продуцируют меланин, который играет важную роль в защите кожи от ультрафиолетового излучения [7-10].

Малигнизация пигментных новообразований кожи - это процесс трансформации доброкачественного образования в злокачественную опухоль, известную как меланома. Одним из ключевых механизмов нарушения регуляции деления и дифференцировки меланоцитов является мутация генов, ответственных за контроль клеточного цикла. Например, мутации в генах BRAF, NRAS и KIT часто встречаются при развитии меланомы [7-9]. Эти мутации нарушают нормальную регуляцию роста клеток, что приводит к их

неконтролируемому делению и формированию новообразований. Кроме того, внешние факторы, такие как интенсивное воздействие солнечного излучения, могут способствовать повреждению ДНК меланоцитов, увеличивая риск развития пигментных новообразований [6-9].

Раннее выявление малигнизации имеет решающее значение для успешного лечения. Одним из ключевых признаков малигнизации является изменение внешнего вида пигментного новообразования, включая асимметрию, неравномерные края, изменение цвета и увеличение размера, а также рост различных дермальных структур. Эти изменения могут быть обнаружены при визуальном осмотре и способствует диагностике заболевания [8-10].

В связи с тем, что меланома развивается из клеток меланоцитов, именно пигментные новообразования, представляющие собой скопления таких клеток, особенно важны в контексте диагностики данного заболевания. Обычно пигментные новообразования кожи представляют собой четко очерченные узелки, плоские или слегка возвышающиеся над поверхностью кожи, которые могут различаться по размеру, цвету и локализации. Размеры пигментных новообразований могут варьироваться от нескольких миллиметров до нескольких сантиметров. Например, невусы обычно имеют диаметр от 1 до 20 мм, однако врожденные пигментные новообразования могут достигать значительных размеров, превышая 20 см. Крупные новообразования требуют особого внимания, так как они обладают повышенным риском трансформации в злокачественную меланому [7-9].

Цвет пигментных новообразований может варьироваться от светло-коричневого до черного. Интенсивность пигментации зависит от количества меланина, содержащегося в меланоцитах. Для доброкачественных новообразований характерна равномерная окраска, тогда как неравномерное распределение цвета, наличие различных оттенков (от светло-коричневого до черного), может указывать на злокачественный процесс . Например, изменение цвета родинки, ее потемнение или появление новых оттенков, является важным диагностическим признаком [7-10].

Внешний вид пигментных новообразований играет ключевую роль в их диагностике. Доброкачественные образования, такие как невусы, обычно имеют четкие границы, симметричную форму и однородную структуру. В то же время асимметричная форма, неровные края и размытые границы являются признаками, которые могут свидетельствовать о злокачественной трансформации. Кроме того, динамическое изменение характеристик новообразования (увеличение размера, изменение цвета или текстуры) также указывает на возможную злокачественность [8-10].

Оценить характеристики новообразования кожи позволяет метод дерматоскопии. Этот метод широко используется для ранней диагностики меланомы и других заболеваний кожи. Основным инструментом для проведения дерматоскопии является дерматоскоп. Данное устройство направлено на получение изображений новообразований кожи высокого качества и может иметь различные параметры и функции [11-12].

Ниже приведены параметры дерматоскопов и их характерные значения, а также примеры этих устройств [7-8, 13].

Увеличение изображения: современные дерматоскопы могут обеспечить 140-кратное увеличение изображения и более.

Подсветка: дерматоскопы оснащаются различными типами подсветки, поляризованной и неполяризованной. Поляризованное освещение позволяет минимизировать блики и исследовать глубокие слои кожи, тогда как неполяризованное освещение лучше подходит для анализа поверхности новообразования.

Разрешение камеры: для цифровых дерматоскопов важным параметром является разрешение встроенной камеры. Современные модели предлагают разрешение от 5 до 48 мегапикселей, что обеспечивает высокую детализацию изображений.

Тип питания: дерматоскопы могут работать от аккумулятора, батареек или через USB-подключение. Это влияет на мобильность устройства и удобство использования.

Типы дерматоскопов: традиционные - используются для визуального осмотра новообразований через увеличительное стекло с подсветкой; цифровые оснащены встроенной камерой для фиксации изображений, что позволяет хранить данные для сравнения и анализа, а также использовать их в автоматизированных системах диагностики; портативные оснащаются аккумулятором и могут подключаться к смартфонам или планшетам через USB или Wi-Fi; профессиональные стационарные - обладают высоким разрешением и множеством функций, таких как поляризованное освещение и возможность подключения к компьютеру для анализа данных.

Примеры широко используемых в России дерматоскопов [13-15]:

FotoFinder medicam - одним из популярных зарубежных решений является FotoFinder medicam. Этот дерматоскоп оснащен высококачественной камерой с разрешением до 48 мегапикселей, поляризованным освещением и возможностью 140-кратного увеличения изображения.

Heine Delta 20T - традиционный дерматоскоп, оснащен неполяризованным освещением и 10-кратным увеличением.

РДС-2 - первый зарегистрированный российский дерматоскоп, созданный специально для диагностики пигментных новообразований кожи. Устройство разработано с учетом потребностей отечественных медицинских учреждений, обеспечивает увеличение вплоть до 100-кратного и может быть подключен к компьютеру для передачи изображений и их дальнейшего анализа [8, 13, 166]. Дерматоскоп РДС-2 выделяется на российском рынке как первый отечественный цифровой дерматоскоп, разработанный с поддержкой Российского общества дерматоскопии. Он обеспечивает высокое качество изображения и возможноть работы в кросс-поляризационном режиме, сравнимые с мировыми стандартами, но при этом значительно дешевле зарубежных аналогов, что снижает затраты на внедрение данной технологии в медицину. Локальное производство обеспечивает оперативную техническую поддержку и гарантийное обслуживание, обеспечивая широкое применение в российской системе здравоохранения.

Список литературы диссертационного исследования кандидат наук Козлов Владимир Сергеевич, 2025 год

Список литературы

1. Потекаев, Н.Н. Эпидемиология меланомы кожи в Российской Федерации и в городе Москве за 10 лет (2008-2018 гг.) / Н.Н. Потекаев, К.С. Титов, А.А. Маркин, А.Ю. Кашурников // Клиническая дерматология и венерология. - 2020. - Т. 19, № 6. - С. 810-816. - DOI: 10.17116/klinderma202019061810

2. Obeng-Kusi, M. Melanoma Epidemiology-Pivoting to Low-and Middle-Income Countries / M. Obeng-Kusi, I. Abraham // JAMA Dermatology. - 2022. - Vol. 158, No. 5. - P. 489-491.

3. Brochez, L. Skin cancer in Europe today and challenges for tomorrow / L. Brochez [et al.] // Journal of the European Academy of Dermatology and Venereology. - 2025. - Vol. 39, No. 2. - P. 272-277.

4. Кабанова, М.А. Эпидемиологическая ситуация по заболеваемости меланомой в России в 2015 году / М.А. Кабанова // Современные проблемы здравоохранения и медицинской статистики. - 2017. - № 3. - С. 23-38.

5. Малишевская, Н.П. Современное состояние заболеваемости меланомой кожи в Российской Федерации и федеральных округах / Н.П. Малишевская, А.В. Соколова, Л.В. Демидов // Медицинский совет. - 2018. - № 10. - С. 161-165.

6. Четверяков, А.В. Роль иммунных контрольных точек в формировании опухолевой иммуносупрессии у больных со злокачественными новообразованиями / А.В. Четверяков, В.В. Крюкова, В.Л. Цепелев // Забайкальский медицинский вестник. - 2024. - № 4. - С. 77-88.

7. Агакишизаде, Н.Э. Современные методы неинвазивной диагностики меланоцитарных новообразований кожи: учебное пособие для обучающихся в системе высшего и дополнительного профессионального образования / Н.Э. Агакишизаде [и др.]. - Санкт-Петербург : НМИЦ онкологии им. Н.Н. Петрова, 2022. - 68 с.

8. Weber, P. Dermatoscopy of neoplastic skin lesions: recent advances, updates, and revisions / P. Weber [et al.] // Current treatment options in oncology. -2018. - Vol. 19. - P. 1-17.

9. Kittler, H. Evolution of the clinical, dermoscopic and pathologic diagnosis of melanoma / H. Kittler // Dermatology practical & conceptual. - 2021. - Vol. 11, No. Suppl 1. - P. e2021163S.

10. Сиводедова, Н. А. Современные методы выявления злокачественных новообразований кожи, включая использование мобильных приложений и искусственного интеллекта: обзор литературы / Н. А. Сиводедова, Н. Н. Карякин, И. Л. Шливко // ОРГЗДРАВ: Новости. Мнения. Обучение. Вестник ВШОУЗ. -2024. - Т. 10, № 2 (36). - С. 78-93.

11. Хисматуллина, З. Р. Современные аспекты и перспективы применения дерматоскопии в дерматоонкологии / З. Р. Хисматуллина, В. В. Чеботарев, Е. А. Бабенко // Креативная хирургия и онкология. - 2020. - №2 3. - С. 241-248.

12. Смалюк, А. Ф. Регистрация дерматоскопических изображений новообразований кожи и выявление структурных отличий / А. Ф. Смалюк, А. Г. Жуковец, Н. М. Тризна // Системный анализ и прикладная информатика. - 2022. - № 4. - С. 65-72.

13. Kubanov, A.A. Current state of dermatovenereological medical organizations' equipment for dermascopy / A.A. Kubanov [et al.] // Vestnik dermatologii i venerologii. - 2024. - Vol. 100, No. 6. - P. 41-52.

14. Di Bartolomeo, L. Super-High Magnification Entodermoscopy: The New Era of Dermoscopy in the Field of Skin Parasitoses / L. Di Bartolomeo [et al.] // Dermatology Practical & Conceptual. - 2024. - Vol. 14, No. 1. - P. e2024021.

15. Daruwalla, S.B. "Extraction Dermoscopy": Expanding the Utility of Epiluminescence Microscopy / S.B. Daruwalla [et al.] // Skin Appendage Disorders. -2020. - Vol. 6, No. 4. - P. 220-223.

16. Малишевская, Н. П. Рекомендации по проведению дерматоскопии новообразований кожи, протокол дерматоскопического исследования: учебное

пособие для врачей / Н. П. Малишевская, А. В. Соколова, Н. П. Торопова. -Екатеринбург : СВ, 2018. - 23 с.

17. Argenziano, G. Seven-point checklist of dermoscopy revisited / G. Argenziano [et al.] // British Journal of Dermatology. - 2011. - Vol. 164, No. 4. - P. 785-790. - DOI: 10.1111/j.1365-2133.2010.10194.x.

18. Уфимцева, М. А. Алгоритмы ранней диагностики меланомы кожи / М. А. Уфимцева, В. В. Петкау, А. С. Шубина, Д. Е. Емельянов, А. В. Дорофеев, К. Н. Сорокина // Лечащий врач. - 2016. - № 4. - С. 92-95.

19. Ларина, В.Н. Возможности обследования пациентов с подозрительными на меланому новообразованиями кожи, впервые выявленными в первичном звене здравоохранения / В.Н. Ларина [и др.] // Архивъ внутренней медицины. - 2022. - Т. 12, № 2 (64). - С. 85-92.

20. Unlu, E. Comparison of dermatoscopic diagnostic algorithms based on calculation: the ABCD rule of dermatoscopy, the seven-point checklist, the three-point checklist and the CASH algorithm in dermatoscopic evaluation of melanocytic lesions / E. Unlu, B.N. Akay, C. Erdem // The Journal of Dermatology. - 2014. - Vol. 41, No. 7. - P. 598-603.

21. Kittler, H. Revised version of pattern analysis / H. Kittler, C. Rosendahl, A. Cameron // An Atlas of Dermoscopy. - CRC Press, 2012. - P. 148-156.

22. Силина, Л.В. Сравнительный анализ эффективности применения дерматоскопических алгоритмов Chaos and Clues, Triage Amalgamated Dermoscopic Algorithm и методики BLINCK в диагностике меланомы и других злокачественных опухолей кожи в зависимости от наличия предыдущего опыта дерматоскопии / Л.В. Силина, В.В. Хвостовой, В.В. Овсяников, М.С. Зубцов // Современная онкология. - 2020. - Т. 22, № 3. - С. 100-104.

23. Жучков, М.В. Применение алгоритма «Хаос и Признаки» в оценке дерматоскопических изображений пигментных новообразований кожи / М.В. Жучков, А.К. Булиньска, Г. Киттлер // Дерматология (Прил. к журн. Consilium Medicum). - 2017. - № 2. - С. 5-13.

24. Бурцева, А. Л. Создание базы знаний для медицинской экспертной системы / А. Л. Бурцева, Е. В. Берестнева, Н. П. Степаненко // Современные наукоемкие технологии. - 2016. - № 3-1. - С. 14-17.

25. Копаница, Г. Д. Европейский опыт и пути развития информатизации системы здравоохранения / Г. Д. Копаница, Ж. Ю. Цветкова // Врач и информационные технологии. - 2013. - С. 49-53.

26. Гусев, А. В. Медицинские информационные системы: состояние, уровень использования и тенденции / А. В. Гусев // Врач и информационные технологии. - 2011. - С. 6-14.

27. Оппедизано, М. Роль медицинских информационных систем в организации системы здравоохранения / М. Оппедизано, Д. Луиджиевич, Л. Ю. Артюх // Forcipe. - 2022. - Т. 5, № 4. - С. 9-15.

28. Rizzi, M. A decision support system for melanoma diagnosis from dermoscopic images / M. Rizzi, C. Guaragnella // Applied Sciences. - 2022. - Vol. 12, No. 14. - P. 7007. - DOI: 10.3390/app12147007.

29. Гидранович, А. В. Перспектива использования экспертных систем в ранней диагностике меланомы кожи / А. В. Гидранович, Н. Г. Луд, Е. А. Шляхтунов, Л. Н. Луд, А. Г. Жуковец, А. В. Прокшин, В. Л. Кожар // Кожные и венерические болезни. - 2015. - С. 46-55.

30. Никитаев, В. Г. Экспертные системы в информационно-измерительных комплексах онкологической диагностики / В. Г. Никитаев // Измерительная техника. - 2015. - № 6. - С. 67-70.

31. Коновалов, С. Г. Программно-аппаратный комплекс многоканальной дерматоскопической диагностики новообразований кожи / С. Г. Коновалов, О. А. Мельситов // Акустооптические и радиолокационные методы измерений и обработки информации. - 2018. - С. 144-147.

32. Никитаев, В. Г. Информационная система «Всероссийский реестр грыж» / В. Г. Никитаев, А. П. Этингер, А. Н. Проничев, Е. А. Дружинина, А. В. Протасов, А. А. Джабиев, В. Е. Кирдянов, А. А. Мартьянова, А. В. Блинова, И.

Л. Савченков, С. Н. Простаков, В. С. Козлов // Физика и радиоэлектроника в медицине. - 2020. - С. 271-276.

33. Шифирин, М. А. Типовая медицинская информационная система персонифицированного учета оказания медицинской помощи в вопросах и ответах. Ч. 2 / М. А. Шифирин, Н. Н. Бурденко // Врачи и информационные технологии. - 2009. - С. 56-59.

34. Никитаев, В. Г. Высокотехнологичные информационно-измерительные комплексы онкологической диагностики: проблемы и ключевые положения методологии построения / В. Г. Никитаев // Измерительная техника.

- 2015. - № 2. - С. 68-70.

35. Никитаев, В. Г. Современные принципы измерений в интеллектуальных системах гистологической диагностики онкологических заболеваний / В. Г. Никитаев // Измерительная техника. - 2015. - № 4. - С. 6870.

36. Delozier, E. P. Health Services Technology/Assessment Text (HSTAT) / E. P. Delozier // Medical Reference Services Quarterly. - 1995. - Vol. 14, No. 3. - P. 39-43. - DOI: 10.1300/J115v14n03_06.

37. Вершинин, В. В. Оценка баз данных в медицине / В. В. Вершинин, С. Н. Соловьёва // Международный студенческий научный вестник. - 2016. - № 3.

- С. 17-18.

38. Гаранина, О. Е. Искусственный интеллект: как работает и критерии оценки / О. Е. Гаранина [и др.] // Consilium Medicum. - 2021. - Т. 23, № 8. - С. 626-632.

39. Kohli, M. D. Medical image data and datasets in the era of machine learning - whitepaper from the 2016 C-MIMI meeting dataset session / M. D. Kohli, R. M. Summers, J. R. Geis // Journal of Digital Imaging. - 2017. - Vol. 30, No. 4. - P. 392-399. - DOI: 10.1007/s10278-017-9976-3.

40. Ellebaek, E. The Danish metastatic melanoma database (DAMMED): A nation-wide platform for quality assurance and research in real-world data on medical

therapy in Danish melanoma patients / E. Ellebaek [et al.] // Cancer Epidemiology. -2021. - Vol. 71. - DOI: 10.1016/j.canep.2021.101899.

41. Luca, A. R. Impact of quality, type and volume of data used by deep learning models in the analysis of medical images / A. R. Luca, T. F. Ursuleanu, L. Gheorghe, R. Grigorovici, S. Iancu, M. Hlusneac, A. Grigorovici // Informatics in Medicine Unlocked. - 2022. - Vol. 29. - P. 100911. - DOI: 10.1016/j.imu.2022.100911

42. Кремнева, Е. И. Особенности формирования наборов данных для сервисов с искусственным интеллектом в нейровизуализации на примере создания набора данных с КТ-изображениями головного мозга с признаками кровоизлияния / Е. И. Кремнева, А. В. Козлов, С. Ю. Иванов [и др.] // Врач и информационные технологии. - 2023. - № 4. - С. 42-53.

43. Заботнев, М. С. Методы и средства создания обучающих датасетов в задачах обработки медицинских изображений / М. С. Заботнев, В. П. Кулагин // Интеллектуальные информационные системы: Теория и практика. - 2021. - С. 30-35.

44. Амелина, Е. В. Особенности создания базы данных нейроонкологических 3D МРТ-изображений для обучения искусственного интеллекта / Е. В. Амелина, А. Г. Гончар, Н. А. Афанасьева [и др.] // Сибирский научный медицинский журнал. - 2022. - Т. 42, № 6. - С. 51-59.

45. Четвериков, С. Ф. Подходы к формированию выборки для контроля качества работы систем искусственного интеллекта в медико-биологических исследованиях / С. Ф. Четвериков [и др.] // Современные технологии в медицине.

- 2023. - Т. 15, № 2. - С. 19-27. - DOI: 10.17691/stm2023.15.2.03.

46. Ganster, H. Automated melanoma recognition / H. Ganster, A. Pinz, R. Rohrer, E. Wildling, M. Binder, H. Kittler // IEEE Transactions on Medical Imaging.

- 2001. - Vol. 20, No. 3. - P. 233-239.

47. Сергеев, В. Ю. Вопросы внедрения современных методов автоматизированной диагностики новообразований кожи в клиническую практику / В. Ю. Сергеев, Ю. Ю. Сергеев, О. Б. Тамразова, В. Г. Никитаев, А. Н.

Проничев // Медицинский алфавит. - 2020. - № 6. - С. 76-78. - DOI: 10.33667/2078-5631-2020-6-76-78.

48. Сергеев, В. Ю. Исследование эффективности программ автоматизированной диагностики меланомы кожи с применением технологий искусственного интеллекта / В. Ю. Сергеев, Ю. Ю. Сергеев, О. Б. Тамразова, В. Г. Никитаев, А. Н. Проничев, М. А. Сергеева // Российский журнал кожных и венерических болезней. - 2020. - Т. 23, № 5. - С. 288-292. - DOI: 10.17816/dv52794.

49. Pathan, S. Study of Melanocytic Nevi using image processing / S. Pathan, P.C. Siddalingaswamy, G. Prabhu // 2017 2nd IEEE International Conference on Recent Trends in Electronics, Information & Communication Technology (RTEICT). - IEEE, 2017. - P. 368-372. - DOI: 10.1109/RTEICT.2017.8256618.

50. Liopyris, K. Artificial intelligence in dermatology: challenges and perspectives / K. Liopyris [et al.] // Dermatology and Therapy (Heidelberg). - 2022. -Vol. 12, No. 12. - P. 2637-2651. - DOI: 10.1007/s13555-022-00833-8.

51. Okur, E. A survey on automated melanoma detection / E. Okur, M. Turkan // Engineering Applications of Artificial Intelligence. - 2018. - Vol. 73. - P. 50-67. -DOI: 10.1016/j.engappai.2018.04.009.

52. Субботина, К. А. Предобработка и генерация изображений на различных стадиях развития поражений кожи для обучения моделей / К. А. Субботина // Вузовская наука в современных условиях : материалы науч.-практ. конф. - 2023. - С. 243-245.

53. Shetty, B. Skin lesion classification of dermoscopic images using machine learning and convolutional neural network / B. Shetty [et al.] // Scientific Reports. -2022. - Vol. 12, No. 1. - P. 18134. - DOI: 10.1038/s41598-022-22644-9.

54. Naseri, H. Diagnosis and prognosis of melanoma from dermoscopy images using machine learning and deep learning: a systematic literature review / H. Naseri, A. A. Safaei // BMC Cancer. - 2025. - Vol. 25, No. 1. - P. 75. - DOI: 10.1186/s 12885-024-13423-y.

55. Uzundere, C. Integrated diagnosis of nevi with severely atypical features and impact of second opinions / C. Uzundere [et al.] // Journal of the European Academy of Dermatology and Venereology. - 2023. - DOI: 10.1111/jdv.18996.

56. Литвин, А. А. Радиомика и анализ текстур цифровых изображений в онкологии (обзор) / А. А. Литвин [и др.] // Современные технологии в медицине. - 2021. - Т. 13, № 2. - С. 97-106.

57. Javed, R. A comparative study of features selection for skin lesion detection from dermoscopic images / R. Javed, M. S. M. Rahim, T. Saba, A. Rehman // Network Modeling Analysis in Health Informatics and Bioinformatics. - 2020. -Vol. 9, No. 1. - P. 4. - DOI: 10.1007/s13721-019-0209-1.

58. Grignaffini, F. Machine learning approaches for skin cancer classification from dermoscopic images: a systematic review / F. Grignaffini, A. Marconi, S. Manzoni // Algorithms. - 2022. - Vol. 15, No. 11. - P. 438. - DOI: 10.3390/a15110438.

59. Rana, M. Machine learning and deep learning approach for medical image analysis: diagnosis to detection / M. Rana, M. Bhushan // Multimedia Tools and Applications. - 2023. - Vol. 82, No. 17. - P. 26731-26769. - DOI: 10.1007/s11042-022-14305-w.

60. Galdran, A. Data-driven color augmentation techniques for deep skin image analysis / A. Galdran [et al.] // arXiv preprint arXiv:1703.03702. - 2017. - DOI: 10.48550/arXiv.1703.03702.

61. Кружалов, А. С. Применение методов радиомики для формирования признакового пространства в задаче распознавания церебральных аневризм / А. С. Кружалов, А. Ю. Филиппович // Современные информационные технологии и ИТ-образование. - 2022. - Т. 18, № 3. - С. 608-616. - DOI: 10.25559/SITITO.18.202203.608-616.

62. Aldi, F. Extraction of shape and texture features of dermoscopy image for skin cancer identification / F. Aldi [et al.] // Sinkron: Jurnal dan Penelitian Teknik Informatika. - 2024. - Vol. 8, No. 2. - P. 650-660. - DOI: 10.33395/sinkron.v8i2.13557.

63. Saez, A. Pattern Analysis in Dermoscopic Images / A. Saez, B. Acha, C. Serrano // Computer Vision Techniques for the Diagnosis of Skin Cancer. Series in BioEngineering. - Germany : Springer-Verlag Berlin Heidelberg, 2014. - P. 23-48.

64. Степура, Л. В. Векторизация растровых изображений с использованием преобразования Хафа / Л. В. Степура, А. Ю. Дёмин // Информационные технологии в науке, управлении, социальной сфере и медицине: сб. науч. тр. III Междунар. науч. конф., 23-26 мая 2016 г., г. Томск. В 2 ч. Ч. 1. - Томск : Изд-во ТПУ, 2016. - С. 745-747.

65. Bangare, S. Reviewing Otsu's Method For Image Thresholding / S. Bangare, A. Dubal, P. Bangare, S. Patil // International Journal of Applied Engineering Research. - 2015. - Vol. 10, No. 9. - P. 21777-21783.

66. Gonzalez, R.C. Digital Image Processing [Text] : 4th ed. / R.C. Gonzalez, R.E. Woods. - Boston : Pearson, 2018. - 1168 p.

67. Mandeel, T.H. Palmprint Region of Interest Cropping Based on Moore-Neighbor Tracing Algorithm / T.H. Mandeel, M.I. Ahmad, M.N. Md Isa, S.A. Anwar, R. Ngadiran // Sensing and Imaging. - Vol. 19, No. 1. - 14 p.

68. Визильтер, Ю.В. Обработка и анализ изображений в задачах машинного зрения: курс лекций и практических занятий / Ю.В. Визильтер, С.Ю. Желтов, А.В. Бондаренко, М.В. Осоков, А.В. Моржин. - М. : Физматкнига, 2010. - 672 с.

69. Хрипунов, Д. Д. Методы машинного обучения в анализе медицинских изображений. История и обзор актуальных проблем / Д. Д. Хрипунов // Научные исследования 2023: актуальные теории и концепции: сб. матер. XXIX междунар. очно-заочной науч.-практ. конф. в 4 т., Т. 3 (24 мая 2023 г.). - Москва : Изд-во НИЦ «Империя», 2023. - С. 141-147.

70. Javaid, A. Skin cancer classification using image processing and machine learning / A. Javaid, M. Sadiq, F. Akram // 2021 International Bhurban Conference on Applied Sciences and Technologies (IBCAST). - IEEE, 2021. - P. 439-444. - DOI: 10.1109/IBCAST51254.2021.9393198.

71. Vasanthakumari, P. Pixel-level classification of pigmented skin cancer lesions using multispectral autofluorescence lifetime dermoscopy imaging / P. Vasanthakumari [et al.] // Biomedical Optics Express. - 2024. - Vol. 15. - No. 8. - P. 4557-4583.

72. Kimori, Y. A morphological image preprocessing method based on the geometrical shape of lesions to improve the lesion recognition performance of convolutional neural networks / Y. Kimori // IEEE Access. - 2022. - Vol. 10. - P. 70919-70936. - DOI: 10.1109/ACCESS.2022.3187507.

73. Gopikrishna, V. Enhanced histogram integrated morphological image quality enhancement model using dermoscopy images with edge-based segmentation / V. Gopikrishna, K. Thinakaran // Journal of Theoretical and Applied Information Technology. - 2024. - Vol. 102, No. 20. - P. 82-90.

74. Nugroho, A. K. The Effect of Preprocessing on Skin Lesion Segmentation / A. K. Nugroho, M. E. Wibowo, et al. // 2024 8th International Conference on Information Technology (InCIT). - IEEE, 2024. - P. 455-460. - DOI: 10.1109/InCIT60137.2024.10810559.

75. Joseph, S. Preprocessing effects on performance of skin lesion saliency segmentation / S. Joseph, O. O. Olugbara // Diagnostics. - 2022. - Vol. 12, No. 2. - P. 344. - DOI: 10.3390/diagnostics12020344.

76. Kosgiker, G. M. Significant of multi-level pre-processing steps and its proper sequence in SegCaps skin lesion segmentation of dermoscopic images / G. M. Kosgiker, A. Deshpande, K. Anjum // Materials Today: Proceedings. - 2022. - Vol. 51. - P. 129-141. - DOI: 10.1016/j.matpr.2021.07.273.

77. Jeba Derwin, D. An efficient multi-level pre-processing algorithm for the enhancement of dermoscopy images in melanoma detection / D. Jeba Derwin, O. Jeba Singh, B. Priestly Shan // Medical & Biological Engineering & Computing. - 2023. -Vol. 61, No. 11. - P. 2921-2938. - DOI: 10.1007/s11517-023-02897-w.

78. Фаридоддин, Ш. Совместное применение глубокого обучения и радиомических признаков для классификации КТ-изображений легких / Ш.

Фаридоддин, В. А. Павлов // Известия высших учебных заведений России. Радиоэлектроника. - 2025. - Т. 28, № 1. - С. 126-137.

79. Параскевопуло, К. М. Алгоритмы сегментации для выделения объектов на цифровых изображениях кожи / К. М. Параскевопуло, А. Н. Наркевич, К. А. Виноградов // Вестник новых медицинских технологий. - 2020.

- Т. 27, № 4. - С. 106-109.

80. Белозеров, И. А. Исследование моделей машинного обучения для сегментации медицинских изображений / И. А. Белозеров, В. А. Судаков // Препринты Института прикладной математики им. М. В. Келдыша РАН. - 2022.

- № 037. - 15 с. - DOI: 10.20948/prepr-2022-37.

81. Mandala, S. GLCM-based Texture Features and Artificial Neural Network (ANN) for Accurate Detection of Melanoma and Basal Cell Carcinoma / S. Mandala, E. K. Sutedja, N. Gunantara // 2024 International Conference on Intelligent Cybernetics Technology & Applications (ICICyTA). - IEEE, 2024. - P. 1083-1088. -DOI: 10.1109/ICICyTA59135.2024.10912944.

82. Malik, F. S. Exploring dermoscopic structures for melanoma lesions' classification / F. S. Malik, M. H. Yousaf, H. A. Sial, S. Viriri // Frontiers in Big Data.

- 2024. - Vol. 7. - P. 1366312. - DOI: 10.3389/fdata.2024.1366312.

83. Козачок, А. В. Применение моделей машинного обучения для многоклассовой классификации дерматоскопических снимков новообразований кожи / А. В. Козачок [и др.] // Труды института системного программирования РАН. - 2024. - Т. 36. - № 5. - С. 241-252.

84. Усов, А. А. Машинное обучение в задачах медицинской диагностики / А. А. Усов // Информационно-телекоммуникационные технологии и математическое моделирование высокотехнологичных систем. - 2022. - С. 430432.

85. Zhou, H. F. A feature selection algorithm of decision tree based on feature weight / H. F. Zhou, J. W. Zhang, Y. Q. Zhou, X. J. Guo // Expert Systems with Applications. - 2021. - Vol. 164. - Article 113842. - DOI: 10.1016/j.eswa.2020.113842.

86. Omuya, E. O. Feature selection for classification using principal component analysis and information gain / E. O. Omuya, G. O. Okeyo, M. W. Kimwele // Expert Systems with Applications. - 2021. - Vol. 174. - Article 114765. - DOI: 10.1016/j.eswa.2021.114765.

87. Iranzad, R. A review of random forest-based feature selection methods for data science education and applications / R. Iranzad, X. Liu // International Journal of Data Science and Analytics. - 2024. - DOI: 10.1007/s41060-024-00509-w.

88. Параскевопуло, К. М. Применение математической модели логистической регрессии для распознавания злокачественных новообразований на цифровых изображениях кожи / К. М. Параскевопуло, А. Н. Наркевич, А. М. Гржибовский // Инженерный вестник Дона. - 2021. - № 10 (82). - С. 94-100.

89. Томакова, Р. А. Метод и алгоритм обучения сверточной нейронной сети, предназначенной для интеллектуальной системы распознавания меланомы / Р. А. Томакова, И. А. Дзюбин, А. В. Брежнев // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2022. - Т. 12, № 1. - С. 65-83.

90. Никитаев, В. Г. Сверточные нейронные сети в диагностике новообразований кожи / В. Г. Никитаев [и др.] // Безопасность информационных технологий. - 2021. - Т. 28, № 4. - С. 118-126.

91. Ronneberger, O. U-net: Convolutional networks for biomedical image segmentation / O. Ronneberger, P. Fischer, T. Brox // Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015 : Proc. 18th International Conference, Munich, Germany, October 5-9, 2015. - Part III 18. - Cham : Springer International Publishing, 2015. - P. 234-241. - DOI: 10.1007/978-3-319-24574-4_28.

92. Kulik, S. D. Using convolutional neural networks for recognition of objects varied in appearance in computer vision for intellectual robots / S. D. Kulik, A. N. Shtanko // Procedia Computer Science. - 2020. - Vol. 169. - P. 164-167. - DOI: 10.1016/j .procs.2020.02.129.

93. Tajbakhsh, N. Convolutional neural networks for medical image analysis: Full training or fine tuning? / N. Tajbakhsh [и др.] // IEEE Transactions on Medical Imaging. - 2016. - Vol. 35, No. 5. - P. 1299-1312.

94. Sobek, J. MedYOLO: a medical image object detection framework / J. Sobek [et al.] // Journal of Imaging Informatics in Medicine. - 2024. - P. 3208-3216.

- DOI: 10.1007/s10278-024-01138-2.

95. Thakur, G. K. Deep learning approaches for medical image analysis and diagnosis / G. K. Thakur, A. Thakur, S. Kulkarni, N. Khan, S. Khan // Cureus. - 2024.

- Vol. 16, No. 5. - P. 1-13. - DOI: 10.7759/cureus.59507.

96. Гаврилов, Д. А. Автоматизированная диагностика меланомы кожи на основе математической модели искусственной сверточной нейронной сети / Д. А. Гаврилов, Э. И. Закиров, Е. В. Гамеева, В. Ю. Семенов, О. Ю. Александрова // Research'n Practical Medicine Journal. - 2018. - Т. 5, № 3. - С. 110-116.

97. Пожидаева, Д. С. Совершенствование алгоритма машинного зрения в биотехнических системах с применением нейронных сетей / Д. С. Пожидаева, М. Ю. Левин, С. А. Нагорнов, И. А. Коваленко, Л. А. Лунева // Наука в Центральной России. - 2023. - № 6 (66). - С. 102-110.

98. Дерюгина, В. А. Классификация дерматоскопических изображений с помощью сверточной нейронной сети / В. А. Дерюгина, И. А. Матвеева // И741 Информационные технологии и нанотехнологии (ИТНТ-2023): сборник трудов.

- 2023. - С. 062612.

99. Yu, L. Automated melanoma recognition in dermoscopy images via very deep residual networks / L. Yu, H. Chen, Q. Dou, J. Qin, P. Heng // IEEE Transactions on Medical Imaging. - 2016. - Vol. 36, No. 4. - P. 994-1004.

100. Мелерзанов, А. Диагностика меланомы кожи с помощью сверточных нейронных сетей глубокого обучения / А. Мелерзанов, Д. Гаврилов // Врач. -2018. - Т. 29, № 6. - С. 31-33.

101. Joson, N. On the Performance of CNN and GAN models for Melanoma Classification / N. Joson, M. S. Nair // International Conference on Artificial

Intelligence and Signal Processing (AISP). - 2022. - P. 1-6. - DOI: 10.1109/AISP53923.2022.9760626.

102. Alhudhaif, A. A novel nonlinear automated multi-class skin lesion detection system using soft-attention based convolutional neural networks / A. Alhudhaif [et al.] // Chaos, Solitons & Fractals. - 2023. - Vol. 170. - P. 113409. -DOI: 10.1016/j.chaos.2023.113409.

103. Desale, R. P. An efficient multi-class classification of skin cancer using optimized vision transformer / R. P. Desale, P. S. Patil // Medical & Biological Engineering & Computing. - 2024. - Vol. 62, No. 3. - P. 773-789. - DOI: 10.1007/s 11517-023-02969-x.

104. Zaqout, I. Diagnosis of skin lesions based on dermoscopic images using image processing techniques / I. Zaqout [et al.] // Pattern Recognition - Selected Methods and Application. - London : IntechOpen, 2019. - P. 1-18. - DOI: 10.5772/intechopen.88065.

105. Козачок, А. В. Обзор методов раннего обнаружения меланомы с использованием методов компьютерного зрения / А. В. Козачок, А. А. Спирин, Е. С. Козачок // Труды Института системного программирования РАН. - 2022. -Т. 34, № 4. - С. 241-250.

106. Антонова, Е. И. Формирование и анализ метрик асимметрии и границы образований кожи (невус, меланома) по изображению на основе дерматоскопических признаков / Е. И. Антонова, Н. А. Железняк, А. З. Яфаров // Фундаментальные и прикладные исследования по приоритетным направлениям биоэкологии и биотехнологии. - 2022. - С. 128-138.

107. Козачок, А. В. Платформа для сбора дерматоскопических изображений новообразований пациентов / А. В. Козачок, Е. С. Козачок, А. А. Спирин // Труды Института системного программирования РАН. - 2024. - Т. 36, № 3. - С. 259-272.

108. Aljabri, M. Towards a better understanding of annotation tools for medical imaging: a survey / M. Aljabri, M. AlAmir, M. AlGhamdi // Multimedia Tools and

Applications. - 2022. - Vol. 81, No. 18. - P. 25877-25911. - DOI: 10.1007/s11042-022-12100-1.

109. Primiero, C. A. A protocol for annotation of total body photography for machine learning to analyze skin phenotype and lesion classification / C. A. Primiero, B. Betz-Stablein, N. Ascott [et al.] // Frontiers in Medicine. - 2024. - Vol. 11. - Article 1380984. - DOI: 10.3389/fmed.2024.1380984.

110. Daneshjou, R. SkinCon: A skin disease dataset densely annotated by domain experts for fine-grained debugging and analysis / R. Daneshjou, M. Yuksekgonul, Z. R. Cai [et al.] // Advances in Neural Information Processing Systems (NeurIPS). - 2022. - Vol. 35. - P. 18157-18167. - DOI: 10.48550/arXiv.2302.00785.

111. Chabi Adjobo, E. Towards accurate skin lesion classification across all skin categories using a PCNN fusion-based data augmentation approach / E. Chabi Adjobo, A. T. Sanda Mahama, P. Gouton // Computers. - 2022. - Vol. 11, No. 3. - P. 44. - DOI: 10.3390/computers11030044.

112. Zhang, Y. Interactive medical image annotation using improved Attention U-net with compound geodesic distance / Y. Zhang, J. Chen, X. Ma, G. Wang, U. A. Bhatti // Expert Systems with Applications. - 2024. - Vol. 237. - P. 121282. - DOI: 10.1016/j .eswa.2023. 121282.

113. Ускова, К. А. Возможности оптимизации скрининга новообразований кожи / К. А. Ускова [и др.] // Медицинский альманах. - 2024. -№ 1 (78). - С. 69-75.

114. Serrano, C. Clinically inspired skin lesion classification through the detection of dermoscopic criteria for basal cell carcinoma / C. Serrano, M. Lazo, A. Serrano, T. Toledo-Pastrana // Journal of Imaging. - 2022. - Vol. 8, No. 7. - P. 197. -DOI: 10.3390/jimaging8070197.

115. Яфаров, А. З. Автоматизация визуальных методов анализа новообразований кожного покрова для выявления меланомы / А. З. Яфаров, Н. А. Железняк // Радиотехнические, оптические и биотехнические системы. Устройства и методы обработки информации. - 2023. - С. 170-174.

116. Khater, T. Skin cancer classification using explainable artificial intelligence on pre-extracted image features / T. Khater [et al.] // Intelligent Systems with Applications. - 2023. - Vol. 20. - P. 200275. - DOI: 10.1016/j.iswa.2023.200275.

117. Ляхова, У. А. Ансамблевая система распознавания рака кожи на основе мультимодальных нейросетевых архитектур / У. А. Ляхова // Инженерный вестник Дона. - 2024. - № 5 (113). - С. 61.

118. Ahmed, I. A. Multi-models of analyzing dermoscopy images for early detection of multi-class skin lesions based on fused features / I. A. Ahmed, E. M. Senan, H. S. A. Shatnawi, Z. M. Alkhraisha // Processes. - 2023. - Vol. 11, No. 3. - P. 910. - DOI: 10.3390/pr11030910.

119. Senan, E. M. Techniques for the detection of skin lesions in PH2 dermoscopy images using local binary pattern (ЛБП) / E. M. Senan, M. E. Jadhav // International Conference on Recent Trends in Image Processing and Pattern Recognition. - Singapore : Springer, 2020. - P. 14-25. - DOI: 10.1007/978-981-16-0493-5_2.

120. Hosseinzadeh, M. A model for skin cancer using combination of ensemble learning and deep learning / M. Hosseinzadeh, D. Hussain, F. M. Z. Mahmood // PLOS ONE. - 2024. - Vol. 19, No. 5. - P. e0301275. - DOI: 10.1371/journal.pone.0301275.

121. Tselios, D. Combining deep learning, handcrafted features, and metadata for the classification of dermoscopy images : дис. / D. Tselios. - navsniax^io neipai®?, 2022. - DOI: 10.26267/unipi_dione/3297.

122. Alshahrani, M. Analysis of dermoscopy images of multi-class for early detection of skin lesions by hybrid systems based on integrating features of CNN models / M. Alshahrani [et al.] // PLOS ONE. - 2024. - Vol. 19, No. 3. - P. e0298305. - DOI: 10.1371/journal.pone.0298305.

123. Pavithra, S. Developing an advanced skin disease detection system by integrating hybrid neural network with Yolo V8 model / S. Pavithra [et al.] // 2024 Third International Conference on Smart Technologies and Systems for Next Generation Computing (ICSTSN). - IEEE, 2024. - P. 1-6. - DOI: 10.1109/ICSTSN61422.2024.10671324.

124. Макаров, К. С. Концептуальная модель системы разметки графических данных для решения задач компьютерного зрения с использованием технологий машинного обучения / К. С. Макаров, С. Н. Чертков, К. В. Лукьянчиков // Auditorium. - 2023. - № 2 (38). - С. 22-27.

125. Ермоленко, А. В. Актуальные подходы к решению задачи разметки данных, аугментации и синтеза предобученных моделей / А. В. Ермоленко, В. М. Полушкин, А. С. Горский // Вооружение и экономика. - 2024. - № 4 (70). - С. 36.

126. Marinov, Z. Deep interactive segmentation of medical images: A systematic review and taxonomy / Z. Marinov [et al.] // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2024. - DOI: 10.1109/TPAMI.2024.3396023.

127. Ulla, S. MSCC: Multi-class skin cancer classification and interpretable deep learning systems / S. Ulla, M. A. Yousuf // 2024 6th International Conference on Electrical Engineering and Information & Communication Technology (ICEEICT). -IEEE, 2024. - P. 735-740. - DOI: 10.1109/ICEEICT60178.2024.10534422.

128. Jahan, I. An explainable deep learning framework for multi-class skin lesion classification while resolving class imbalance / I. Jahan [et al.] // 2024 IEEE International Conference on Power, Electrical, Electronics and Industrial Applications (PEEIACON). - IEEE, 2024. - P. 473-478. - DOI: 10.1109/PEEIAC0N63629.2024.10800046.

129. Garcia-Arroyo, J.L. Hypopigmentation Pattern Recognition in Dermoscopy Images for Melanoma Detection / J.L. Garcia-Arroyo, B. Garcia-Zapirain // Journal of Medical Imaging and Health Informatics. - 2015. - Vol. 5, No. 8. - P. 1875-1879.

130. Stoecker, W.V. Detection of asymmetric blotches (asymmetric structureless areas) in dermoscopy images of malignant melanoma using relative color / W.V. Stoecker, K. Gupta, R.J. Stanley, R.H. Moss, B. Shrestha // Skin Research and Technology. - 2005. - Vol. 11, № 3. - P. 179-184.

131. Dalal, A. Concentric decile segmentation of white and hypopigmented areas in dermoscopy images of skin lesions allows discrimination of malignant

melanoma / A. Dalal [et al.] // Computerized Medical Imaging and Graphics. - 2011.

- Vol. 35, No. 2. - P. 148-154. - DOI: 10.1016/j.compmedimag.2010.09.009.

132. Nikitaev, V.G. Model for Detecting Globules in Images of Skin Neoplasms / V.G. Nikitaev, A.N. Pronichev, O.B. Tamrazova, et al. // Mathematical Models and Computer Simulations. - 2022. - Vol. 14, No. 3. - P. 411-418. - DOI: 10.1134/S2070048222030115.

133. Nikitaev, V.G. A Model for Detecting Structural Elements - Lines - in Digital Images in Oncodermatology / V.G. Nikitaev, A.N. Pronichev, O.B. Tamrazova, et al. // Measurement Techniques. - 2021. - Vol. 64, No. 5. - P. 516-521. - DOI: 10.1007/s11018-021-01962-w.

134. Никитаев В. Г. Выделение структурных элементов «кругов» на дерматоскопических изображениях новообразований кожи при диагностике меланомы / В. Г. Никитаев [и др.] // Медицинская техника. - 2021. - №. 4. - С. 20-22.

135. Stoecker, W. V. Detection of asymmetric blotches (asymmetric structureless areas) in dermoscopy images of malignant melanoma using relative color / W. V. Stoecker, K. Gupta, R. J. Stanley // Skin Research and Technology. - 2005. -Vol. 11, No. 3. - P. 179-184. - DOI: 10.1111/j.1600-0846.2005.00117.x.

136. Celebi, M. E. Automatic detection of blue-white veil and related structures in dermoscopy images / M. E. Celebi, H. Iyatomi, W. V. Stoecker, R. H. Moss // Computerized Medical Imaging and Graphics. - 2008. - Vol. 32, No. 8. - P. 670-677.

- DOI: 10.1016/j.compmedimag.2008.08.003.

137. Лозовский, В. Э. Разработка алгоритма детектирования пигментной сети как дерматоскопического критерия диагностики рака кожи / В. Э. Лозовский, Т. И. Малахов ; науч. рук. В. В. Баркалин // НИРС МСФ-2014 : сборник научных трудов (по материалам студенческих научно-технических конференций машиностроительного факультета). - Минск : БНТУ, 2014. - С. 1316.

138. Никитаев, В. Г. Модель распознавания бесструктурных гиперпигментированных областей в онкодерматологии / В. Г. Никитаев, А. Н.

Проничев, О. Б. Тамразова, В. Ю. Сергеев, М. А. Соломатин, О. А. Медведева, В. С. Козлов // Медицинская техника. - 2021. - № 5. - С. 32-35.

139. Никитаев, В. Г. Модель распознавания гипопигментированных бесструктурных областей в онкодерматологии / В. Г. Никитаев, А. Н. Проничев, О. Б. Тамразова, В. Ю. Сергеев, Ю. Ю. Сергеев, А. О. Лим, В. С. Козлов // Приборы. - 2021. - № 8. - С. 38-43.

140. Tom, A. Revisited Otsu Algorithm for Skin Cancer Segmentation / A. Tom, J. Daba // WSEAS Transactions on Information Science and Applications. -

2023. - Vol. 20. - P. 50-58.

141. Araaf, M. A. Comprehensive analysis and classification of skin diseases based on image texture features using K-nearest neighbors algorithm / M. A. Araaf [et al.] // Journal of Computing Theories and Applications. - 2023. - Vol. 1, No. 1. - P. 31-40.

142. Никитаев, В. Г. Модель обнаружения глобул на изображениях новообразований кожи / В. Г. Никитаев, А. Н. Проничев, О. Б. Тамразова, В. Ю. Сергеев, А. О. Лим, В. С. Козлов // Математическое моделирование. - 2021. - Т. 33, № 10. - С. 83-95.

143. Максимова, А. С. Возможности радиомического анализа МРТ-изображений сердца в кино-режиме в определении постинфарктных областей миокарда левого желудочка / А. С. Максимова, Д. С. Саматов, Б. С. Мерзликин, Т. А. Шелковникова, А. И. Листратов, К. В. Завадовский // Digital Diagnostics. -

2024. - Т. 5, № 4. - С. 682-694.

144. Dehbozorgi, P. A comparative study of statistical, radiomics, and deep learning feature extraction techniques for medical image classification in optical and radiological modalities / P. Dehbozorgi, O. Ryabchykov, T. W. Bocklitz // Computers in Biology and Medicine. - 2025. - Vol. 187. - P. 109768.

145. Kavitha, J. C. Self-adaptive Canny edge detection with reinforcement learning and dominant texture color patterns for melanoma segmentation and classification in dermoscopic images / J. C. Kavitha, D. Subitha, D. Nagarajan //

Engineering Research Express. - 2024. - Vol. 6, No. 4. - Article ID: 045254. - DOI: 10.1088/2631 -8695/ad9b00.

146. Oukil, S. Automatic segmentation and melanoma detection based on color and texture features in dermoscopic images / S. Oukil, R. Kasmi, K. Mokrani // Skin Research and Technology. - 2022. - Vol. 28, No. 2. - P. 203-211. - DOI: 10.1111/srt. 13111.

147. Pereira, P. M. M. Accurate segmentation of dermoscopic images based on local binary pattern clustering / P. M. M. Pereira, R. Fonseca-Pinto, et al. // 2019 42nd International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). - IEEE, 2019. - P. 314-319. - DOI: 10.23919/MIPRO.2019.8757023.

148. Liu, X. Segmentation and identification of spectral and statistical textures for computer medical diagnostics in dermatology / X. Liu, V. Krylov, S. Jun, N. Volkova // Mathematical Biosciences and Engineering. - 2022. - Vol. 19, No. 7. - P. 6923-6939. - DOI: 10.3934/mbe.2022324.

149. Коневский, В. В. Повышение эффективности анализа изображений МРТ головного мозга с использованием отбора признаков / В. В. Коневский, С. А. Лысенко, В. М. Фирсов, И. И. Комаров // Компьютерная оптика. - 2022. - Т. 46, № 4. - С. 621-627.

150. Паттохов, А. Ш. Выбор методов статистической обработки результатов радиомического анализа КТ-изображений опухолей головы и шеи / А. Ш. Паттохов, Ю. М. Ходжибекова, М. Х. Ходжибеков // Медицинская радиология и радиационная безопасность. - 2023. - Т. 68, № 3. - С. 52-56.

151. Dihmani, H. A review of feature selection and hyperparameter optimization techniques for breast cancer detection on thermograms images / H. Dihmani, A. Bousselham, O. Bouattane // 2023 IEEE 6th International Conference on Cloud Computing and Artificial Intelligence: Technologies and Applications (CloudTech). - IEEE, 2023. - P. 01-08.

152. Ahmed, I. A. Multi-models of analyzing dermoscopy images for early detection of multi-class skin lesions based on fused features / I. A. Ahmed [et al.] // Processes. - 2023. - Vol. 11, No. 3. - P. 910. - DOI: 10.3390/pr11030910.

153. Tchema, R. B. Computer-aided classification of skin cancer based on the YOLO algorithm / R. B. Tchema, M. Nestoros, A. C. Polycarpou // 2024 13th International Conference on Modern Circuits and Systems Technologies (MOCAST). - IEEE, 2024. - P. 1-4. - DOI: 10.1109/MOCAST61810.2024.10615645.

154. Chabi Adjobo, E. Automatic localization of five relevant dermoscopic structures based on YOLOv8 for diagnosis improvement / E. Chabi Adjobo, A. T. Sanda Mahama, P. Gouton // Journal of Imaging. - 2023. - Vol. 9, No. 7. - P. 148. -DOI: 10.3390/j imaging9070148.

155. Karampinis, E. Can Artificial Intelligence "Hold" a Dermoscope? - The Evaluation of an Artificial Intelligence Chatbot to Translate the Dermoscopic Language / E. Karampinis [et al.] // Diagnostics. - 2024. - Vol. 14, No. 11. - P. 1165.

156. Veeramani, N. YOLOv7-XAI: multi-class skin lesion diagnosis using explainable AI with fair decision making / N. Veeramani, P. Jayaraman // International Journal of Imaging Systems and Technology. - 2024. - Vol. 34, No. 6. - P. e23214. -DOI: 10.1002/ima.23214.

157. Sresti, C. S. Skin disease classification using VGG-16 model optimized ADAM, GD, RMSprop and YOLOv8 / C. S. Sresti [et al.] // 2024 First International Conference on Innovations in Communications, Electrical and Computer Engineering (ICICEC). - IEEE, 2024. - P. 1-7. - DOI: 10.1109/ICICEC62498.2024.10808733.

158. Собянин, К. В. UNet-boosted classifier - мультизадачная архитектура для малых выборок на примере классификации МРТ снимков головного мозга / К. В. Собянин, С. П. Куликова // Информатика и автоматизация. - 2024. - Т. 23, № 4. - С. 1022-1046.

159. Redmon, J. You Only Look Once: Unified, Real-Time Object Detection / J. Redmon, S. Divvala, R. Girshick, A. Farhadi // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). - 2016. - P. 779-788. - URL: https://arxiv.org/abs/1506.02640.

160. Basut, S. A comparative study on skin cancer detection: multi-class vs. binary / S. Basut [et al.] // 2024 Medical Technologies Congress (TIPTEKNO). - IEEE, 2024. - P. 1-4. - DOI: 10.1109/TIPTEKNO63488.2024.10755241.

161. Селиванов, К. Д. Использование глубоких нейронных сетей для сегментации медицинских изображений / К. Д. Селиванов // Проблемы управления-2023. - 2023. - С. 307-311.

162. Mikhailov, I. A deep learning-based interactive medical image segmentation framework with sequential memory / I. Mikhailov [et al.] // Computer Methods and Programs in Biomedicine. - 2024. - Vol. 245. - P. 108038. - DOI: 10.1016/j.cmpb.2024.108038.

163. Desale, R. P. An efficient multi-class classification of skin cancer using optimized vision transformer / R. P. Desale, P. S. Patil // Medical & Biological Engineering & Computing. - 2024. - Vol. 62, No. 3. - P. 773-789. - DOI: 10.1007/s 11517-023-02969-x.

164. Zhang, Y. Segment anything model for medical image segmentation: Current applications and future directions / Y. Zhang, Z. Shen, R. Jiao // Computers in Biology and Medicine. - 2024. - P. 107448. - DOI: 10.1016/j.compbiomed.2024.108238.

165. Huang, M. Efficient click-based interactive segmentation for medical image with improved Plain-ViT / M. Huang [et al.] // IEEE Journal of Biomedical and Health Informatics. - 2024. - DOI: 10.1109/JBHI.2024.3392893.

166. Сергеев, Ю. В. От видеомикроскопии кожи к российскому цифровому дерматоскопу / Ю. В. Сергеев, В. Ю. Сергеев // Дерматология в России. - 2017. - № S1. - С. 83-84.