Методы и средства детекции аномалий на изображениях в условиях ограниченности данных тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Милантьев Сергей Андреевич

• Милантьев Сергей Андреевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Милантьев Сергей Андреевич

Оглавление

Реферат

Synopsis

Введение

ГЛАВА 1. МЕТОДЫ И ПОДХОДЫ ДЛЯ ДЕТЕКЦИИ АНОМАЛИЙ С ПОМОЩЬЮ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

1.1 Особенности данных для задачи детекции аномалий

1.2 Предварительная обработка данных для задачи детекции аномалий

1.3 Особенности задачи детекции аномалий на данных, представленных изображениями

1.4 Подходы для детекции аномалий на изображениях

1.5 Сравнительный анализ основных подходов для детекции аномалий на данных, представленных в виде изображений

1.6 Выводы к главе

ГЛАВА 2. МУЛЬТИМОДАЛЬНАЯ АРХИТЕКТУРА НА

ОСНОВЕ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ В УСЛОВИЯХ ОГРАНИЧЕННОСТИ ДАННЫХ

2.1 Метод детекции аномалий на данных, представленных многоспектральными изображениями

2.2 Мультимодальная архитектура на основе свёрточных нейронных сетей

2.3 Мультизадачное обучение гибридных архитектур для решения задачи детекции аномалий

2.4 Метод генерации синтетических образцов в условиях ограниченности данных

2.5 Выводы к главе

ГЛАВА 3. ДЕТЕКЦИЯ АНОМАЛИЙ В УСЛОВИЯХ

ОГРАНИЧЕННОСТИ И НЕОПРЕДЕЛЕННОСТИ ДАННЫХ

3.1 Метод детекции аномалий в условиях ограниченности и неопределенности данных с использованием zero-shot и few-shot подходов

3.2 Каскадная проверка по допустимой уверенности модели

детекции аномалий

3.3 Выводы к главе

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНАЯ ОЦЕНКА

ЭФФЕКТИВНОСТИ ПРЕДЛОЖЕННЫХ МЕТОДОВ В РАМКАХ СИСТЕМЫ ПРИНЯТИЯ РЕШЕНИЙ

4.1 Оценка применимости разработанной модели к мультимодальным данным

4.2 Оценка применимости модели к многоспектральным данным

4.3 Оценка вычислительной производительности с использованием NVIDIA Triton

4.4 Метод валидации входных данных, представленных изображениями

4.5 Выводы к главе

Заключение

Список литературы

Список рисунков

Список таблиц

Приложение 1. Акт о внедрении результатов исследования .... 199 Приложение 2. Публикации автора по теме диссертации

Введение диссертации (часть автореферата) на тему «Методы и средства детекции аномалий на изображениях в условиях ограниченности данных»

Реферат

Общая характеристика диссертации

Актуальность темы. Обнаружение аномалий представляет собой одну из ключевых задач в области интеллектуального анализа данных, особенно в условиях неопределённости, значительной стоимости ошибок и широкого спектра возможных отклонений от нормы. Подобные условия характерны для таких прикладных областей, как мониторинг технических систем, анализ временных рядов, кибербезопасность и медицинская диагностика, где точность и надёжность алгоритмов критически важны. Однако традиционные статистические методы и классические алгоритмы машинного обучения зачастую демонстрируют недостаточную стабильность и ограниченную масштабируемость при работе с высокоразмерными, гетерогенными данными или при наличии дисбаланса в размеченных наборах. В результате наблюдается устойчивый рост интереса к использованию методов глубокого обучения, обладающих высокой аппроксимирующей способностью и способных к извлечению сложных скрытых закономерностей.

Несмотря на прогресс в области глубинного обучения, большинство современных алгоритмов обнаружения аномалий по-прежнему предполагают наличие большого объёма размеченных данных, необходимых для обучения надёжных моделей нормального и аномального поведения. На практике же обучающие выборки часто оказываются разреженными, несбалансированными и подверженными смещению. В частности, в медицинских задачах случаи редких патологий могут встречаться крайне редко, что существенно затрудняет построение обобщающих моделей. Аналогичные проблемы возникают в промышленных системах мониторинга, где аномалии являются крайне редкими, но потенциально катастрофическими событиями, требующими оперативного обнаружения.

Данная проблема особенно актуальна в сценариях, где разметка аномалий невозможна по экономическим, техническим или этическим причинам, либо

требует участия квалифицированных экспертов. Кроме того, в реальных условиях аномалии зачастую не имеют строго определённого или единообразного представления: они могут значительно различаться по структуре, динамике и проявлениям. Такая неопределённость аномального класса, в сочетании с ограниченностью представленных в обучении примеров, существенно ограничивает применимость традиционных методов, ориентированных на классификацию и требующих сбалансированных выборок с аннотированными аномалиями.

В качестве одного из наиболее перспективных направлений в условиях отсутствия размеченных аномалий рассматриваются реконструктивные подходы. Эти модели обучаются на множестве нормальных примеров, предполагая, что ошибка восстановления будет значительно выше на аномальных объектах, выходящих за рамки изученного распределения. Применимость данной парадигмы была продемонстрирована в ряде прикладных сценариев.

Однако несмотря на свою эффективность в условиях чистых нормальных данных, существующие методы проявляют ограничения при наличии структурно близких аномалий, то есть ситуаций, в которых аномальные объекты обладают высокой степенью схожести с нормальными, либо лежат вблизи границ обученного распределения. В таких случаях модели могут демонстрировать низкую обобщающую способность, восстанавливая аномалии с той же точностью, что и нормальные примеры, что приводит к росту числа ложнопо-ложительных и ложноотрицательных срабатываний.

Степень разработанности темы исследования. Проблематика детекции аномалий на изображениях на протяжении последних лет активно исследуется в различных направлениях компьютерного зрения и машинного обучения. Так, Sakurada M. одним из первых предложил подход к обнаружению аномалий на основе ошибки реконструкции, что положило основу реконструктивным методам. В дальнейшем Huang C. и Han S. развили данную идею, предложив глубокие автоэнкодеры и контрастивные модели, способные к самообучению на наборах нормальных изображений.

Более сложные архитектуры генеративных моделей, в том числе вариационные и состязательные сети, были предложены Makhzani A., Wu J., Du X. и

Liu Y. Эти исследования показали возможность моделирования распределения нормальных данных и выявления аномалий как отклонений от него. Liu R. и Li Y. предложили использовать генеративно-состязательные сети для дополнения выборок и повышения точности распознавания редких дефектов.

Современные исследования показывают эффективность диффузионных моделей, обеспечивающих стабильное восстановление нормальных образцов и генерацию синтетических данных. Wolleb J. применил диффузионные процессы для детекции аномалий в медицинских изображениях, а Zhang X. и Li C. распространили этот подход на промышленные и временные данные, подтвердив высокую устойчивость моделей при ограниченности данных.

Значительный вклад в развитие систем детекции аномалий внесён Bergmann P. На основе его работы были разработаны современные архитектуры CFLOW-AD (Gudovskiy D.), CFA (Lee S.), RD4AD (Deng H.), APRIL-GAN (Chen X.), UTRAD (Chen L.). Однако данные подходы демонстрируют низкую обобщающую способность для классов аномалий, структурно близких к нормальным.

Особое место в области детекции аномалий занимает использование мультис-пектральных изображений, позволяющих получать дополнительные спектральные признаки, недоступные при традиционной RGB-визуализации. Несмотря на активное развитие методов анализа мультиспектральных изображений, применение технологий обнаружения аномалий к мультиспектральным данным остаётся практически не исследованным направлением. На текущий момент лишь Зайченко К.В. и Гуревич Б.С. рассматривают возможность использования мультиспектральных источников освещения и оптических систем для повышения информативности изображений. Их работы заложили методологические основы формирования и предварительной обработки таких данных, однако вопросы автоматизированного выявления аномалий на муль-тиспектральных изображениях, оптимизации архитектур нейронных сетей под многоканальные входы до настоящего времени остаются открытыми.

Таким образом, анализ существующих исследований показывает, что разработка методов детекции аномалий на изображениях в условиях ограниченности данных остаётся актуальной научной задачей. Несмотря на достигнутые успехи,

остаются нерешёнными проблемы интерпретируемости моделей, устойчивости к смещению распределений, в том числе для анализа многоспектральных изображений, и высокой зависимости от количества обучающих примеров.

Целью работы является повышение качества детекции аномалий в условиях ограниченности или неопределенности данных, характерных для анализа изображений.

Для достижения поставленных цели в рамках проведенного исследования поставлены и решены задачи:

— обоснования направления исследований и разработок на основе анализа предметной области;

— разработки мультимодальной архитектуры на основе сверточной нейронной сети для детекции аномалий в условиях ограниченности данных;

— разработки метода генерации изображений редких классов, с оптимизацией на основе близости генерируемых данных от эталонов класса, и обеспечивающий обогащение набора изображений в условиях ограниченности данных для редких классов;

— разработки метода детекции аномалий на основе zero-shot и few-shot подходов с каскадной проверкой уверенности модели с использованием внутренних состояний доменно-ориентированного трансформера в условиях неопределенности данных;

— разработки и внедрения прототип программного комплекса на базе NVIDIA Triton, обеспечивающий классификацию, генерацию, сегментацию и валидацию мультимодальных данных для поддержки принятия решения в соответствии с заданными требованиями.

Теоретическая значимость работы заключается в развитии методов обнаружения аномалий в условиях неопределенности данных на основе отличия апостериорного распределения и позволяющие анализировать мультимодаль-ные и многоспектральные представления данных.

Практическая значимость работы заключается разработке систем поддержки принятия решения для выявления аномалий на мультимодальных данных или представленных в виде многоспектральной последовательности

изображений. Разработанные в диссертационном исследовании методы были представлены в виде программного прототипа принятия решений и внедрены в ФГБУН ИАП РАН для диагностики ранних стадий развития патологий органов и систем человека.

Методология и методы исследования. В диссертации применяются методы классификации образов, глубокого обучения, включая сверточные нейронные сети, трансформеры, автокодировщики, а также их гибридные и мультимодальные модификации. Использованы подходы self-supervised, few-shot и zero-shot обучения, синтетической генерации данных для компенсации их ограниченности. Методология базируется на принципах статистической достоверности, обеспечивая разработку устойчивых и воспроизводимых моделей детекции аномалий на изображениях.

Положения, выносимые на защиту:

1. Метод мультиспектрального анализа изображений, основанный на гибридной архитектуре сверточной нейронной сети, отличающийся наложением автоматически генерируемой сегментационной маски и механизмом генерации изображений на основе близости синтезируемых данных к центроидам классов, и обеспечивающий классификацию и сегментацию аномалий на изображении при учете дополнительных мультимодальных данных без необходимости дополнительного обучения для конкретных задач классификации и сегментации.

2. Метод детекции аномалий на основе подходов с каскадной проверкой уверенности модели при отсутствии или малом числе обучающих примеров аномалий, отличающаяся взвешенным суммированием промежуточных выходов доменно-ориентированного трансформера и модели контрастив-ного обучения CLIP, обеспечивающая толерантность к ограниченности данных.

3. Прототип программного комплекса на базе NVIDIA Triton, обеспечивающий классификацию, генерацию, сегментацию и валидацию мультимо-дальных данных для поддержки принятия решения в соответствии с заданными требованиями.

Положения 1-2 характеризуются научной новизной, положение 3 имеет практическую значимость.

Содержание диссертации соответствует паспорту специальности 2.3.8 «Информатика и информационные процессы», п. 4 — "Разработка методов и технологий цифровой обработки аудиовизуальной информации с целью обнаружения закономерностей в данных, включая обработку текстовых и иных изображений, видео контента. Разработка методов и моделей распознавания, понимания и синтеза речи, принципов и методов извлечения требуемой информации из текстов" и п. 13 — "Разработка и применение методов распознавания образов, кластерного анализа, нейро-сетевых и нечетких технологий, решающих правил, мягких вычислений при анализе разнородной информации в базах данных".

Апробация работы. Основные результаты исследования были представлены на следующих российских и международных конференциях:

— The XII Majorov International Conference on Software Engineering and Computer Systems (10.12.2020-11.12.2020)

— XXXII международная Школа-симпозиум по голографии, когерентной оптике и фотонике (HOLOSCHOOL XXXII) (30.05.2022-03.06.2022)

— XV Международная Научная Конференция "Физика и Радиоэлектроника в Медицине и Экологии"(28.06.2022-30.06.2022)

— IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus) (24.01.2023-27.01.2023)

— XXVI Международная научно-техническая конференция "Медико-экологические информационные технологии"(18.05.2023-19.05.2023)

— XXVIII Байкальская Всероссийская конференция с международным участием "Информационные и математические технологии в науке и управ-лении"(29.06.2023-08.07.2023)

— X Конгресс молодых ученых (КМУ) (14.04.2021-17.04.2021)

— Пятьдесят первая научная и учебно-методическая конференция Университета ИТМО (02.02.2022-05.02.2022)

— XI Конгресс молодых ученых (КМУ) (04.04.2022-08.04.2022)

— Пятьдесят вторая (Ь11) научная и учебно-методическая конференция Университета ИТМО (31.01.2023-03.02.2023)

— Пятьдесят третья (Ь111) научная и учебно-методическая конференция Университета ИТМО (29.01.2024-02.02.2024)

Кроме того, результаты исследований были представлены на семинаре Института аналитического приборостроения Российской академии наук (31.03.25). Руководитель лаборатории — Зайченко К.В. (в настоящий момент — Гуревич Б.С.).

Достоверность научных достижений. Степень достоверности научных достижений обеспечивается методологической обоснованностью применяемых подходов, корректным использованием современных методов машинного обучения и компьютерного зрения, а также верификацией результатов на репрезентативных наборах данных. Экспериментальные исследования проводились с соблюдением принципов воспроизводимости и статистической устойчивости, включая сравнение и оценку с известными в научном сообществе методами. Дополнительным подтверждением достоверности служит апробация основных результатов в виде докладов на международных и российских конференциях, а также публикациями в рецензируемых научных изданиях.

Внедрение результатов работы. Результаты диссертационного исследования использовались при выполнении НИР «Теоретические и экспериментальные исследования по разработке методов и созданию приборов для диагностики ранних стадий развития патологий органов и систем человека на базе инструментальной электрофизиологии сверхвысокого разрешения, фотоники и современных геномных технологий» (номер государственной регистрации 122032300151-6).

Разработанный прототип программного комплекса был внедрен в ФГБУН ИАП РАН, где он используется для диагностики ранних стадий развития патологий органов и систем человека.

Список публикаций по теме диссертации:

Научные издания, входящие в международные реферативные базы данных и системы цитирования:

1. Milantev S.A., Olyunin V., Milanteva N.A., Bykov I.A., Bessmertny I.A. Skin Lesion Analysis Using Ensemble of CNN with Dermoscopic Images and Metadata // CEUR Workshop Proceedings - 2020, Vol. 2893

2. Milantev S.A., Kordukova A.A., Shevyakov D.O., Logachev E.P., Application of neural network and computer vision technologies for image analysis of skin lesion, Scientific and Technical Journal of Information Technologies, Mechanics and Optics - 2022. - Vol. 22. - № 5(141). - С. 859-863

3. Kordyukova A.A., Sviatkina V., Milantev S.A. Shortwave and Infrared Radiation Source for the Skin Pathologies Detection // Proceedings of the Seminar on Fields, Waves, Photonics and Electro-Optics: Theory and Practical Applications, FWPE 2023 - 2023, pp. 102-106

4. Milantev S.A., Mikhailova P.D., Bessmertny I.A. Anomaly detection under data scarcity and uncertainty using zero-shot and few-shot approaches, Scientific and Technical Journal of Information Technologies, Mechanics and Optics - 2025. - Vol. 25. - №4, pp. 684-693

Научные издания, входящие в перечень журналов ВАК РФ:

1. Милантьев С.А., Святкина В.И., Бессмертный И.А., Зайченко К.В. Анализ снимков кожных новообразований с применением комбинированной архитектуры сверточных нейронных сетей // Информационные и математические технологии в науке и управлении - 2024. - № 3(35). - С. 44-56

Научные издания, входящие в перечень иных рецензируемых изданий:

1. Милантьев С.А., Кордюкова А.А. Оценка моделей классификаторов кожных новообразований на основе применения контурных методов анализа изображений // Физика и радиоэлектроника в медицине и экологии. Труды 15-й международной научной конференции «ФРЭМЭ'2022» с научной молодежной школой имени И.Н.Спиридонова (Владимир-Суздаль, 28-30 июня 2022г.) - 2022. - С. 146-148

2. Святкина В.И., Гуревич Б.С., Кордюкова А.А., Милантьев С.А., Зайченко К.В. Применение многоспектрального источника света в коротковолновом и инфракрасном оптических диапазонах для изучения характеристик отраженного излучения от новообразований кожи // Сборник научных

статей по материалам XXVI Международной научно-технической конференции - 2023. - С. 87-91

3. Милантьев С.А., Литвинов П.А. Поиск аномальных последовательностей пикселей в рамках анализа снимков кожных поражений // Альманах научных работ молодых ученых Университета ИТМО - 2022. - Т. 2. - С. 95-98

4. Милантьев С.А., Загальский Е.В. Анализ опухолей головного мозга по последовательностям МРТ снимков // Сборник трудов XI Конгресса молодых учёных (Санкт-Петербург, 4-8 апреля 2022 г.) - 2022. - Т. 1. - С. 304-308

5. Загальский Е.В., Милантьев С.А., Бессмертный И.А. Анализ опухолей головного мозга по мультимодальным МРТ-снимкам на основе 3D CNN и CNN-RNN моделей // Альманах научных работ молодых ученых Университета ИТМО - 2023. - Т. 1. - С. 262-266

6. Милантьев С.А., Бессмертный И.А. Анализ кожных поражений с использованием модели валидации входных изображений // Альманах научных работ молодых ученых Университета ИТМО - 2023. - Т. 1. - С. 105-111

7. Милантьев С.А., Бессмертный И.А. Генерация медицинских изображений редких классов с помощью GAN и Diffusion моделей // Альманах научных работ молодых ученых Университета ИТМО - 2024. - Т. 1. - С. 131-137

Личный вклад автора. Автор разработал методы машинного обучения, позволяющие выполнять анализ многоспектральных изображений и использовал мультизадачное обучение гибридных архитектур для решения задачи детекции аномалий. Разработал метод для генерации синтетических изображений на основе меры близости генерируемых изображений от эталонного синтетического изображения, сгенерированного на основании внутриклассового распределения. Постановка задач и поиск применений методов выполнены совместно с научным руководителем, Бессмертным И.А. и руководителем лаборатории ИАП РАН Зайченко К.В. Разработана архитектура модели детекции аномалий на основе zero-shot и few-shot подходов с учетом доменно-ориентиро-ванных распределений и каскадной системой валидации результата.

1. В публикации "Skin Lesion Analysis Using Ensemble of CNN with Dermoscopic Images and Metadata" Milantev S.A. — разработка и реализация метода для классификации аномалий на мультимодальных данных (70%), Bessmertny I.A. — консультирование при проведении исследования (10%), остальные соавторы — сбор и валидация дополнительных данных, экспериментальные замеры рассматриваемых методов на расширенном наборе данных (20%).

2. В публикации "Application of neural network and computer vision technologies for image analysis of skin lesion" Milantev S.A. — разработка и реализация метода для выявления аномалий на мультиспектральных данных, проведение экспериментальных исследований для выявления значимости признаков мультиспектральных данных на основе методов HOG, LBP и эмбеддера нейронной сети (75%), Kordukova A.A. — рекомендации по постановке задачи, интерпретации полученных результатов (5%), Shevyakov D.O. и Logachev E.P. — сбор мультиспектральных изображений, подготовка данных, рекомендации по предобработке мультиспектральных данных (20%).

3. В публикации "Shortwave and Infrared Radiation Source for the Skin Pathologies Detection" Milantev S.A. — проведение предобработки и фильтрации мультиспектральных данных (30%), Kordukova A.A. — разработка экспериментальной установки для проведения замеров с различным освещением объекта группами диодов с разными длинами волн, подготовка данных и интерпретация результатов (60%), Sviatkina V. — подготовка данных (10%).

4. В публикации "Anomaly detection under data scarcity and uncertainty using zero-shot and few-shot approaches" Milantev S.A. — разработка и реализация метода классификации и сегментации аномалий на изображениях в условиях ограниченности данных (отсутствием аномального класса в обучающей выборке), разработка архитектуры с взвешенным суммированием промежуточных выходов доменно-ориентированной модели и модели контрастивного обучения, проведение экспериментов, интерпрета-

ция и визуализация результатов (80%), Mikhailova P.D. — сбор данных (5%), Bessmertny I.A. — консультирование при проведении исследования (15%).

5. В публикации "Анализ снимков кожных новообразований с применением комбинированной архитектуры сверточных нейронных сетей" Милантьев С.А. — разработка и реализация метода на основе комбинированных архитектур (75%) , Святкина В.И. — сбор и подготовка мультиспектральных данных (10%), Бессмертный И.А. — консультирование при проведении исследования (5%), Зайченко К.В. — рекомендации по постановке задачи, интерпретации результатов по мультиспектральным данным (10%).

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения и списка литературы, включающего 141 наименований. Работа изложена на 282 страницах машинописного текста, содержит 51 рисунок и 35 таблицы.

Заключение диссертации по теме «Другие cпециальности», Милантьев Сергей Андреевич

Заключение

В данной работе разработана универсальная модель для выявления аномалий, основанная на zero-shot/few-shot подходах, что позволяет эффективно работать в условиях ограниченности и неопределённости данных в различных доменах.

Предложенный метод интегрирует CLIP, который адаптируется с помощью скрытых состояний доменно-ориентированного трансформера BeiT. При этом модель одновременно решает две задачи: сегментацию (RoI ^ выделение бинарной маски) и бинарную классификацию аномалий, используя взвешенные эмбеддинги от каждого модуля для формирования окончательного результата.

Дополнительно оптимизирован процесс генерации текстовых представлений, что позволяет автоматизировать их создание на основе LLM. Это значительно повышает обобщающую способность модели, превосходя подход с ручной формулировкой текстовых описаний, особенно на специфичных доменах кожных новообразований.

Разработанный метод продемонстрировал высокие результаты на различных наборах данных, включая те, где наблюдаются значительные различия в распределении классов. Он показал лучшие средние значения метрик по сравнению с существующими методами из BMAD и традиционным zero-shot подходом.

Таким образом, дальнейшее развитие zero-shot и few-shot методологий представляется перспективным направлением для автоматизированного анализа аномалий, обеспечивая высокую точность, адаптивность и устойчивость даже в условиях ограниченного количества данных и высокой вариативности распределений.

Список литературы диссертационного исследования кандидат наук Милантьев Сергей Андреевич, 2025 год

Литература

1. Jinan B., Hanshi S., Hanqiu D., Yinsheng H., et al. BMAD: Benchmarks for Medical Anomaly Detection. arXiv: 2306.11876, 2024.

2. Chen L., You Z., Zhang N., Xi J., Le X. UTRAD: Anomaly detection and localization with U-Transformer. Neural Networks, doi: 10.1016/j.neunet.2021.12.008.

3. Salehi M., Sadjadi N., Baselizadeh S., Rohban M., Rabiee H. Multiresolution Knowledge Distillation for Anomaly Detection. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition, pp. 14902-14912, 2021

4. Deng H., Li X. Anomaly Detection via Reverse Distillation from One-Class Embedding. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 9737-9746, 2022

5. Roth K., Pemula L., Zepeda J., Scholkopf B., Brox T., Gehler P. Towards Total Recall in Industrial Anomaly Detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 14318-14328, 2022

6. Lee S., Lee S., Song B. CFA: Coupled-hypersphere-based Feature Adaptation for Target-Oriented Anomaly Localization. IEEE Access, 10:78446-78454, 2022

7. Gudovskiy D., Ishizaka S., Kozuka K. CFLOW-AD: Real-Time Unsupervised Anomaly Detection with Localization via Conditional Normalizing Flows. In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision, pp. 98-107, 2022

8. Chen X., Han Y., Zhang J. APRIL-GAN: A Zero-/Few-Shot Anomaly Classification and Segmentation Method // arXiv: 2305.17382v3, 2023

9. Kermany D. Zhang K., Goldbaum M. Labeled Optical Coherence Tomography (OCT) for Classification, Mendeley Data v2, doi: 10.17632/rscbjbr9sj.1

10. Wang X., Peng Y., Lu L., Lu Z., Bagheri M., Summers R. ChestX-Ray8: Hospital-Scale Chest X-Ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, pp. 3462-3471, doi: 10.1109/CVPR.2017.369

11. Bejnordi B., Veta M., et al. Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women with Breast Cancer. JAMA, 2017. 318(22) pp. 2199-2210. doi: 10.1001/jama.2017.14585

12. Tschandl, P., Rosendahl, C. & Kittler, H. The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Sci Data 5, 180161. 2018; doi.org/10.1038/sdata.2018.161.

13. Codella N. C. F. et al. Skin lesion analysis toward melanoma detection // A challenge at the 2017 International symposium on biomedical imaging (ISBI), hosted by the international skin imaging collaboration (ISIC). // 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018). 2018. Pp. 168-172, doi: 10.1109/ISBI.2018.8363547.

14. Combalia M., Codella Noel C. F., Rotemberg V., et al. BCN20000: Dermoscopic lesions in the wild // arXiv: 1908.02288. 2019.

15. Sun X., Yang J., Sun M., Wang K. A benchmark for automatic visual classification of clinical skin disease images, Springer: European Conference on Computer Vision, pp. 206-222. 2016.

16. Kawahara J., Daneshvar S., Argenziano G., Hamarneh G. Seven-Point Checklist and Skin Lesion Classification Using Multitask Multimodal Neural Nets. IEEE Journal of Biomedical and Health Informatics, pp. 538-546. 2019.

17. Baid U., Ghodasara S., et al. The RSNA-ASNR-MICCAI BraTS 2021 Benchmark on Brain Tumor Segmentation and Radiogenomic Classification. arXiv: 2107.02314. 2021

18. Landman B., et al. MICCAI Multi-Atlas Labeling Beyond the Cranial Vault - Workshop and Challenge. 2015

19. Bilic P, Christ P., Vorontsov E., et al. The Liver Tumor Segmentation Benchmark (LiTS). arXiv: 1901.04056. 2019

20. Hu J., Chen Y., Yi Z. Automated segmentation of macular edema in OCT using deep neural networks. Medical Image Analysis, pp. 216-227, 2019. doi: 10.1016/j.me-dia.2019.05.002