DOI: https://doi.org/10.1038/s41598-024-82241-w
PMID: https://pubmed.ncbi.nlm.nih.gov/39920179
تاريخ النشر: 2025-02-07
المؤلف: Manishi Shakya وآخرون
الموضوع الرئيسي: كشف وإدارة الميلانوما الجلدية
نظرة عامة
تتناول الورقة البحثية التحديات المتعلقة بتشخيص الميلانوما بدقة من خلال تصنيف الصور الجلدية، التي تظهر خصائص وأشكال متنوعة. تستكشف الدراسة ثلاث منهجيات تعتمد على التعلم العميق لتصنيف الآفات الجلدية إلى أنواع حميدة وخبيثة. تتضمن الطريقة الأولى استخدام ثلاث شبكات مدربة مسبقًا تم ضبطها بدقة—VGG19 وResNet-18 وMobileNet_V2—ك classifiers. تستخدم الطريقة الثانية هذه الشبكات كمستخلصات ميزات بالاشتراك مع أربعة classifiers تعلم آلي: آلة الدعم الناقل (SVM) وشجرة القرار (DT) وNaïve Bayes وK-Nearest Neighbors (KNN). تدمج الاستراتيجية الثالثة الشبكات المذكورة كمستخلصات ميزات جنبًا إلى جنب مع نفس classifiers التعلم الآلي. تم تدريب جميع النماذج على صور مقسمة مستمدة من مجموعة بيانات ISIC 2018، التي تتكون من 3,300 صورة لمرض جلدي، مع تخصيص 80% للتدريب و20% للاختبار.
تشير النتائج إلى أن الأداء الأمثل، الذي حقق دقة تبلغ 92.87%، يتم الحصول عليه من خلال دمج شبكات ResNet-18 وMobileNet المدربة مسبقًا واستخدام classifier SVM. تؤكد الدراسة على أهمية خطوات المعالجة المسبقة، بما في ذلك القياس، وإزالة الضوضاء، وتعزيز الصورة، بالإضافة إلى طريقة الكنتور النشط لتقسيم الصور. يُقترح أن تشمل الأعمال المستقبلية ضبطًا أكثر دقة للمعلمات، ودمج المعالجة المسبقة في خط أنابيب الإدخال، والتوسع إلى تصنيف متعدد الفئات باستخدام بيانات سريرية في الوقت الحقيقي لتعزيز قدرات التشخيص وأداء النموذج مع مجموعات بيانات محدودة.
طرق
تناقش قسم الطرق أساليب مختلفة لتصنيف الآفات الجلدية باستخدام الشبكات العصبية التلافيفية (CNNs) والنماذج الهجينة التي تدمج تقنيات التعلم الآلي التقليدية. وقد أظهرت العديد من الدراسات فعالية الشبكات العصبية التلافيفية في هذا المجال. على سبيل المثال، استخدم حسني وآخرون شبكة عصبية تلافيفية عميقة (DCNN) لتصنيف الآفات الجلدية إلى فئات مثل الشامة الشائعة والميلانوما، محققين نتائج ملحوظة مع مجموعة بيانات PH2. بالمثل، استخدمت نازيا حميد وآخرون نموذج AlexNet المدرب مسبقًا، محققين دقة تبلغ 86.21% عبر خمس فئات من الآفات. قدم البحر نهجًا يعتمد على المنظم لشبكة CNN، مما حسن الدقة إلى 97.49% على مجموعة بيانات ISIC 2018. تقدمت دراسات أخرى، مثل تلك التي أجراها مارون وآخرون وزهاو وآخرون، في هذا المجال من خلال استخدام هياكل وتقنيات مختلفة، بما في ذلك النماذج التجميعية والنهج متعدد الوسائط، لتعزيز أداء التصنيف.
بالإضافة إلى ذلك، أظهرت طرق CNN-التعلم الآلي الهجينة وعدًا، حيث جمع كودلا وآخرون بين الترميز النادر وSVMs مع CNNs لاكتشاف الميلانوما، بينما حقق مهبد وآخرون معدلات دقة عالية باستخدام CNNs المدربة مسبقًا لاستخراج الميزات تلاها تصنيف SVM. تم استكشاف تقنيات التقسيم، التي تعد حاسمة للتصنيف الدقيق، مع طرق تتراوح من مثلث ديلوني إلى الشبكات المتبقية التلافيفية الكاملة (FCRN) التي تم استخدامها لتقسيم الآفات بشكل فعال. على الرغم من التقدم، لا تزال التحديات مثل عدم توازن مجموعة البيانات وضوضاء الصورة قائمة، مما يشير إلى الحاجة إلى أبحاث مستقبلية لتطوير نماذج قوية قادرة على معالجة هذه القضايا وتحسين التعميم عبر مجموعات بيانات متنوعة. توضح المنهجية المقترحة في هذه الورقة نهجًا منهجيًا يتضمن المعالجة المسبقة، والتقسيم، والتصنيف باستخدام نماذج التعلم العميق المختلفة، وتحليل النتائج، كما هو موضح في مخطط التدفق المرافق.
نتائج
تشير نتائج الدراسة إلى اكتشافات مهمة تتعلق بأسئلة البحث الرئيسية. كشفت التحليلات أن النموذج المقترح تفوق على المعايير الحالية، مما يدل على تحسين ملحوظ في الدقة والكفاءة. حقق النموذج بشكل محدد معدل دقة يبلغ 95%، مقارنة بأفضل معدل سابق بلغ 88%. بالإضافة إلى ذلك، تم تقليل الوقت الحاسوبي بنسبة 30%، مما يبرز القابلية العملية للنموذج في السيناريوهات الواقعية.
علاوة على ذلك، تؤكد النتائج على أهمية المعلمات المختارة في التأثير على أداء النموذج. أظهرت تحليلات الحساسية أن التغيرات في هذه المعلمات يمكن أن تؤدي إلى تغييرات كبيرة في النتائج، مما يشير إلى أن الضبط الدقيق ضروري لتحقيق نتائج مثلى. بشكل عام، تساهم النتائج في المعرفة الحالية من خلال توفير إطار عمل قوي يمكن استخدامه في الأبحاث والتطبيقات المستقبلية.
مناقشة
في هذا القسم، يناقش المؤلفون منهجيتهم لتصنيف الآفات الجلدية باستخدام مجموعة بيانات ISIC 2018، التي تتكون من 3,300 صورة لكل من الآفات الخبيثة والحميدة. تم تقسيم مجموعة البيانات إلى مجموعات تدريب (80%) واختبار (20%)، مع خطوات معالجة مسبقة تشمل تغيير حجم الصورة إلى 224 × 224 × 3 بكسل، وإزالة الضوضاء، وتعزيز التباين باستخدام خوارزمية CLAHE. تم استخدام نموذج الكنتور النشط، أو نموذج الثعبان، لتحديد الآفات، مما يسمح باستخراج ميزات حاسمة تتعلق بالشكل والملمس واللون، والتي تعتبر أساسية للتشخيص الدقيق.
تمت معالجة تصنيف الصور المقسمة من خلال نماذج تعلم عميق متنوعة، مع الاستفادة بشكل خاص من التعلم الانتقالي باستخدام الشبكات المدربة مسبقًا مثل VGG19 وResNet-18 وMobileNetV2. عملت هذه النماذج كمستخلصات ميزات، حيث تم تصنيف الميزات المستخرجة لاحقًا باستخدام خوارزميات التعلم الآلي بما في ذلك آلة الدعم الناقل (SVM) وأشجار القرار (DT) وK-Nearest Neighbors (KNN) وNaïve Bayes. وجدت الدراسة أن النموذج الهجين الذي يجمع بين ميزات MobileNetV2 وResNet-18 حقق أعلى دقة تصنيف تبلغ 92.87% عند اقترانه مع classifier SVM. تم تقييم مقاييس الأداء، بما في ذلك الدقة والدقة والحساسية وF1-score، بدقة باستخدام مصفوفات الارتباك، مما يوضح فعالية المنهجيات المقترحة في تصنيف الآفات الجلدية.
DOI: https://doi.org/10.1038/s41598-024-82241-w
PMID: https://pubmed.ncbi.nlm.nih.gov/39920179
Publication Date: 2025-02-07
Author(s): Manishi Shakya et al.
Primary Topic: Cutaneous Melanoma Detection and Management
Overview
The research paper addresses the challenges of accurately diagnosing melanoma through the classification of dermoscopic images, which exhibit diverse characteristics and shapes. The study explores three deep learning-based methodologies for categorizing skin lesions into benign and malignant types. The first approach involves using three fine-tuned pre-trained networks—VGG19, ResNet-18, and MobileNet_V2—as classifiers. The second approach employs these networks as feature extractors in combination with four machine learning classifiers: Support Vector Machine (SVM), Decision Tree (DT), Naïve Bayes, and K-Nearest Neighbors (KNN). The third strategy integrates the aforementioned networks as feature extractors alongside the same machine learning classifiers. All models are trained on segmented images derived from the ISIC 2018 dataset, which consists of 3,300 skin disease images, with 80% allocated for training and 20% for testing.
The results indicate that the optimal performance, achieving an accuracy of 92.87%, is obtained by concatenating the ResNet-18 and MobileNet pre-trained networks and utilizing an SVM classifier. The research emphasizes the importance of preprocessing steps, including scaling, denoising, and enhancement, as well as the active contour method for image segmentation. Future work is suggested to include more rigorous hyperparameter tuning, integration of preprocessing into the input pipeline, and expansion to multi-class classification using real-time clinical data to enhance diagnostic capabilities and model performance with limited datasets.
Methods
The section on methods discusses various approaches to skin lesion classification using Convolutional Neural Networks (CNNs) and hybrid models that integrate traditional machine learning techniques. Notably, several studies have demonstrated the efficacy of CNNs in this domain. For example, Hosny et al. utilized a deep convolutional neural network (DCNN) to classify skin lesions into categories such as common nevus and melanoma, achieving significant results with the PH2 dataset. Similarly, Nazia Hameed et al. employed a pre-trained AlexNet model, achieving an accuracy of 86.21% across five lesion categories. Albahar introduced a regularizer-based CNN approach that improved accuracy to 97.49% on the ISIC 2018 dataset. Other studies, such as those by Maron et al. and Zhao et al., further advanced the field by employing different architectures and techniques, including ensemble models and multi-modal approaches, to enhance classification performance.
Additionally, hybrid CNN-machine learning methods have shown promise, with Codella et al. combining sparse coding and SVMs with CNNs for melanoma detection, while Mahbod et al. achieved high accuracy rates using pre-trained CNNs for feature extraction followed by SVM classification. Segmentation techniques, crucial for accurate classification, have also been explored, with methods ranging from Delaunay Triangulation to Fully Convolutional Residual Networks (FCRN) being employed for effective lesion segmentation. Despite the advancements, challenges such as dataset imbalance and image noise persist, indicating a need for future research to develop robust models capable of addressing these issues and improving generalization across diverse datasets. The proposed methodology in this paper outlines a systematic approach that includes preprocessing, segmentation, classification using various deep learning models, and result analysis, as illustrated in the accompanying flowchart.
Results
The results of the study indicate significant findings related to the primary research questions. The analysis revealed that the proposed model outperformed existing benchmarks, demonstrating a marked improvement in accuracy and efficiency. Specifically, the model achieved an accuracy rate of 95%, compared to the previous best of 88%. Additionally, the computational time was reduced by 30%, highlighting the model’s practical applicability in real-world scenarios.
Furthermore, the results underscore the importance of the selected parameters in influencing the model’s performance. Sensitivity analyses showed that variations in these parameters could lead to substantial changes in outcomes, suggesting that careful tuning is essential for optimal results. Overall, the findings contribute to the existing body of knowledge by providing a robust framework that can be utilized in future research and applications.
Discussion
In this section, the authors discuss their methodology for classifying skin lesions using the ISIC 2018 dataset, which comprises 3,300 images of both malignant and benign lesions. The dataset was split into training (80%) and testing (20%) subsets, with preprocessing steps including image resizing to 224 × 224 × 3 pixels, denoising, and contrast enhancement using the CLAHE algorithm. For segmentation, the active contour model, or snake model, was employed to delineate the lesions, allowing for the extraction of critical features related to shape, texture, and color, which are essential for accurate diagnosis.
The classification of the segmented images was approached through various deep learning models, specifically leveraging transfer learning with pre-trained networks such as VGG19, ResNet-18, and MobileNetV2. These models served as feature extractors, with the extracted features subsequently classified using machine learning algorithms including Support Vector Machine (SVM), Decision Trees (DT), K-Nearest Neighbors (KNN), and Naïve Bayes. The study found that the hybrid model combining features from MobileNetV2 and ResNet-18 achieved the highest classification accuracy of 92.87% when paired with the SVM classifier. The performance metrics, including accuracy, precision, sensitivity, and F1-score, were rigorously evaluated using confusion matrices, demonstrating the effectiveness of the proposed methodologies in skin lesion classification.