МОДЕЛЬ ГЛИБОКОГО НАВЧАННЯ ДЛЯ КЛАСИФІКАЦІЇ МЕЛАНОМИ, ПОКРАЩЕНА ЗА ДОПОМОГОЮ ФРАКТАЛЬНОЇ РОЗМІРНОСТІ

Владислав Нікітін; Валерій Данилов

doi:10.20535/kpisn.2025.4.343191

Т. 141 · № 4 · 2025 гру 29, 2025 статті

МОДЕЛЬ ГЛИБОКОГО НАВЧАННЯ ДЛЯ КЛАСИФІКАЦІЇ МЕЛАНОМИ, ПОКРАЩЕНА ЗА ДОПОМОГОЮ ФРАКТАЛЬНОЇ РОЗМІРНОСТІ

ВН

Владислав Нікітін Відповідальний National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, Ukraine Україна

ВД

Валерій Данилов National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, IASA, Department of Artificial Intelligence (AI), Ukraine Україна

Опублікованогру 29, 2025

PDF

НВКПІ 4 ТОМ 141 · 4

ТОМ 141 · № 4 · 2025 Переглянути випуск

Анотація

Проблематика : Меланома – це злоякісне ураження шкіри, схильне до агресивного метастазування, що призводить до майже гарантованого летального наслідку, якщо його не лікувати. На противагу цьому, виявлення на ранній стадії дозволяє видалити пухлину шляхом безпечної хірургічної процедури, яка може навіть не залишити шраму. Однак, доступність компетентної діагностики часто обмежена через нестачу медичних фахівців та технологій. Моделі глибокого навчання (ГН), такі як Visual Transformer (ViT), продемонстрували високу ефективність, але дослідники постійно прагнуть покращити результати шляхом включення нових ознак. Оскільки шкіра людини має фракталоподібні характеристики, існує гіпотеза, що метрики, які кількісно оцінюють цю складність, можуть слугувати цінними додатковими ознаками для моделей ГН, що призводить до підвищення точності класифікації. Мета дослідження. Ми дослідили вплив інтеграції фрактальної розмірності (ФР) у модель глибокого навчання Vision Transformer, що використовується для класифікації меланоми. Було проведено порівняння між моделлю, які отримувала випадковий шум, та моделями, що отримували розраховані значення ФР. Методика реалізації. Модель Vision Transformer використовувався як основа для визначення ознак для класифікації, попередньо навчена на наборі даних ImageNet. Ця основа доналаштовувалася (fine-tuning) в поєднанні з класифікатором (head), призначеним для розрізнення класів меланоми та невуса. Разом із вилученими ознаками, класифікаційний модуль отримував значення ФР. Ідентична модель отримувала випадковий шум замість ФР. Для підтвердження значущості нової ознаки було проведено статистичне тестування та аналіз впливу ФР. Результати дослідження. Інтеграція ФР у ViT показала помітне покращення тестових метрик. Аналіз SHAP підтвердив змістовність нової ознаки. Тест МакНемара підтвердив, що різниця у прогнозах моделі була статистично значущою. Висновки. Результати свідчать, що ФР може слугувати цінною додатковою ознакою для моделей ГН, а інтеграція біомаркерів, таких як ФР, забезпечує основу для більш надійної класифікації меланоми.

Ключові слова

#глибоке навчання #візуальний трансформер #меланома #фрактальна розмірність #пояснювальний штучний інтелект #рак шкіри

Посилання

World Cancer Research Fund International, "Skin cancer statistics," 2022. [Online]. Available: https://www.wcrf.org/cancer-trends/skin-cancer-statistics/ . [Accessed: Nov. 7, 2025].
International Skin Imaging Collaboration (ISIC), "ISIC Archive." [Online]. Available: https://www.isic-archive.com/ . [Accessed: Nov. 7, 2025]
P. Popecki et al., "Fractal dimension analysis of melanocytic nevi and melanomas in normal and polarized light-A preliminary report," Life, vol. 12, no. 7, p. 1008, 2022. doi: 10.3390/life12071008.
A. Dosovitskiy et al., "An image is worth 16x16 words: Transformers for image recognition at scale," arXiv preprint arXiv:2010.11929, 2021. [Online]. Available: https://doi.org/10.48550/arXiv.2010.11929 .
S. Khan, H. Ali, and Z. Shah, “Identifying the role of vision transformer for skin cancer—A scoping review,” Frontiers in Artificial Intelligence, vol. 6, Jul. 2023, doi: 10.3389/frai.2023.1202990.
S. Moldovanu et al., "Skin lesion classification based on surface fractal dimensions and statistical color cluster features using an ensemble of Machine Learning Techniques," Cancers, vol. 13, no. 21, p. 5256, 2021. doi: 10.3390/cancers13215256.
V. Nikitin and V. Danilov, "Integration of fractal dimension in vision transformer for skin cancer classification," Electronics and Control Systems, no. 76, 2023. doi: 10.18372/1990-5548.76.17662.
V. Nikitin and V. Danilov, "Fractal dimension calculation techniques for skin lesion characterisation," in Матеріали конференцій МЦНД, 2024. doi: 10.62731/mcnd-26.07.2024.005.
G. M. S. Himel et al., "Skin cancer segmentation and classification using vision transformer for automatic analysis in dermatoscopy-based non-invasive digital system," arXiv preprint arXiv:2401.04746, 2024. [Online]. Available: https://doi.org/10.48550/arXiv.2401.04746 .
T. Khater et al., "Skin cancer classification using explainable artificial intelligence on pre-extracted image features," Intelligent Systems with Applications, vol. 21, p. 200275, Feb. 2024. doi: 10.1016/j.iswa.2023.200275.
P. Tschandl, C. Rosendahl, and H. Kittler, "The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions," Scientific Data, vol. 5, p. 180161, 2018. doi: 10.1038/sdata.2018.161.
M. Combalia et al., "BCN20000: Dermoscopic lesions in the wild," arXiv preprint arXiv:1908.02288, 2019. [Online]. Available: https://doi.org/10.48550/arXiv.1908.02288 . [Accessed: Nov. 8, 2025].
J. Wu, X. Jin, S. Mi, and J. Tang, "An effective method to compute the box-counting dimension based on the mathematical definition and intervals," Results in Engineering, vol. 6, p. 100106, 2020. doi: 10.1016/j.rineng.2020.100106.
T. Lee, V. Ng, R. Gallagher, A. Coldman, and D. McLean, "Dullrazor®: A software approach to hair removal from images," Computers in Biology and Medicine, vol. 27, no. 6, pp. 533–543, Nov. 1997. doi: 10.1016/s0010-4825(97)00020-6.
J. Canny, "A Computational Approach to Edge Detection," IEEE Trans. Pattern Anal. Mach. Intell., vol. 8, no. 6, pp. 679–698, Nov. 1986.
S. Suzuki and K. Abe, "Topological structural analysis of digitized binary images by border following," Computer Vision, Graphics, and Image Processing, vol. 30, no. 1, pp. 32–46, Apr. 1985.
S. Spasić, "On 2D generalization of Higuchi’s fractal dimension," Chaos, Solitons & Fractals, vol. 69, pp. 179–187, Dec. 2014. doi: 10.1016/j.chaos.2014.09.015.

Попередня у випуску МЕТОД ФРАКТАЛЬНО-КЕРОВАНОЇ РЕГУЛЯРИЗАЦІЇ АВТОЕНКОДЕРІВ ДЛЯ НАПІВКЕРОВАНОГО НАВЧАННЯ В ЗАДАЧАХ КЛАСИФІКАЦІЇ МЕДИЧНИХ ЗОБРАЖЕНЬ Наступна у випуску СИСТЕМНИЙ ПІДХІД ДО БАГАТОКРИТЕРІАЛЬНОГО ОЦІНЮВАННЯ СЕАНСОВИХ І ПОСЛІДОВНИХ РЕКОМЕНДАЦІЙНИХ СИСТЕМ

§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.

Усі випуски

ДВОЕТАПНИЙ ПІДХІД ДО СЕГМЕНТАЦІЇ СУПУТНИКОВИХ ЗНІМКІВ ДЛЯ ОЦІНЮВАННЯ ПЛОЩІ АСФАЛЬТОВАНОГО ПОКРИТТЯ ПАРКОВОК

Олександр Гончарук, Надія Недашківська

Проблематика. Точна оцінка площі асфальтованих парковок є важливою для містобудування та екологічного моніторингу. Однак спектральна подібність асфальту паркувальних…

#семантична сегментація #супутникові знімки #паркінг #нейронна мережа

10.20535/kpisn.2026.3.367540

ФОРМАЛІЗАЦІЯ РОЗРІДЖЕНОГО ANP З БІНАРНИМИ ПОРІВНЯННЯМИ НА ОСНОВІ ДАНИХ У КОЛІ ОДНОРІДНИХ КОМПОНЕНТІВ ДЛЯ ПРІОРИТИЗАЦІЇ РОЗПОДІЛУ РЕСУРСІВ

Вадим Романюк

Проблематика. Задачі розподілу обмежених ресурсів між взаємозалежними однорідними об’єктами виникають у багатьох прикладних сферах — зокрема, під час конкурсного…

#розподіл ресурсів #однорідні компоненти #взаємозалежності #аналітичний мережевий процес

10.20535/kpisn.2026.3.368158

РОЗРОБКА МЕТОДУ ФОРМАЛІЗАЦІЇ ДИНАМІЧНИХ ТЕПЛОВИХ ПОРТРЕТІВ ДЛЯ НАДІЙНОГО ВИЯВЛЕННЯ ЦІЛЕЙ

Степан Лис, Оксана Оборська

Проблематика. Автоматизовані системи спостереження з БпЛА стикаються з подвійним викликом: виявленням теплоконтрастних об'єктів у реальному часі та їх ідентифікацією в…

#тепловізійні системи #ідентифікація цілей #локалізація зони інтересу #динамічний тепловий портрет

10.20535/kpisn.2026.3.359114

Статті цього автора (цих авторів), які найбільше читають

Олексій Зарицький, Валерій Данилов, МЕТОД ФРАКТАЛЬНО-КЕРОВАНОЇ РЕГУЛЯРИЗАЦІЇ АВТОЕНКОДЕРІВ ДЛЯ НАПІВКЕРОВАНОГО НАВЧАННЯ В ЗАДАЧАХ КЛАСИФІКАЦІЇ МЕДИЧНИХ ЗОБРАЖЕНЬ , Наукові вісті КПІ: Том 141 № 4 (2025)
Олексій Зарицкий, Валерій Данилов, МОДЕЛЬ КЛАСИФІКАЦІЇ РАКОВИХ ЗАХВОРЮВАНЬ ШКІРИ НА ОСНОВІ ІНТЕГРАЦІЇ ДИСКРИМІНАТОРА В АРХІТЕКТУРУ СХОДОВИХ НЕЙРОННИХ МЕРЕЖ , Наукові вісті КПІ: Том 139 № 2 (2025)
Владислав Нікітін, Валерій Данілов, ТРАНСФОРМЕР І МАМБА ДЛЯ КЛАСИФІКАЦІЇ РАКУ ШКІРИ: ПОПЕРЕДНІ РЕЗУЛЬТАТИ , Наукові вісті КПІ: Том 137 № 1-4 (2024)

Схожі статті

Костянтин Бровко, Павло Буданов, Олег Великогорський, Юлія Олійник, Наталія Винокурова, Сергій Войтенко, ІМІТАЦІЙНА МОДЕЛЬ ЦИФРОВОГО ДВІЙНИКА ТЕХНОЛОГІЧНОГО ПРОЦЕСУ ЕНЕРГОБЛОКУ АЕС , Наукові вісті КПІ: Том 143 № 2 (2026)
Дмитро Петренко, Анатолій Протасов, АЛГОРИТМ БЕЗКАРТОГРАФІЧНОЇ НАВІГАЦІЇ РОБОТА HUSKY НА ОСНОВІ МОДЕЛЕЙ ГЛИБОКОГО НАВЧАННЯ З ПІДКРІПЛЕННЯМ ТА АДАПТИВНОГО НАВЧАЛЬНОГО ПЛАНУ , Наукові вісті КПІ: Том 143 № 2 (2026)
Костянтин Д. Грішин, Nadezhda Nedashkovskaya, МОДЕЛЬ МАШИННОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННЯ КОНФІГУРАЦІЙ РУК УКРАЇНСЬКОЇ ЖЕСТОВОЇ МОВИ , Наукові вісті КПІ: Том 143 № 2 (2026)
Віталій Голубінка, АВТОНОМНА СИСТЕМА РЕКОМЕНДАЦІЇ ІНДЕКСІВ ДЛЯ РЕЛЯЦІЙНИХ БАЗ ДАНИХ НА ОСНОВІ COST-MODEL ТА PLAN COVERING , Наукові вісті КПІ: Том 143 № 2 (2026)
Євген Панкратов, Григорій Тимчик, МІКРОСЕРВІСНА АРХІТЕКТУРА ТА АЛГОРИТМИ МОДУЛЬНОЇ СИСТЕМИ АВТОМАТИЗАЦІЇ ТЕХНОЛОГІЧНИХ ПРОЦЕСІВ МАЛОГО БІЗНЕСУ , Наукові вісті КПІ: Том 143 № 2 (2026)
Дмитро Петренко, Анатолій Протасов, АЛГОРИТМ БЕЗКАРТОГРАФІЧНОЇ НАВІГАЦІЇ РОБОТА HUSKY НА ОСНОВІ МОДЕЛЕЙ ГЛИБОКОГО НАВЧАННЯ З ПІДКРІПЛЕННЯМ ТА АДАПТИВНОГО НАВЧАЛЬНОГО ПЛАНУ , Наукові вісті КПІ: Том 143 № 2 (2026)
Sergii F. Petrenko, Anatolii V. Omelian, Olha O. Horbatiuk, Viktor S. Antonyuk, ДОСЛІДЖЕННЯ РЕЗОНАНСНИХ ХАРАКТЕРИСТИК П’ЄЗОЕЛЕКТРИЧНОГО ДВИГУНА ЗАЛЕЖНО ВІД РЕСУРСНОГО СТАНУ , Наукові вісті КПІ: № 1 (2019)
Sergiy V. Tytenko, ІНТЕРАКТИВНІ КАРТИ ПОНЯТЬ В ОНТОЛОГІЧНО-ОРІЄНТОВАНИХ ІНФОРМАЦІЙНО-НАВЧАЛЬНИХ ВЕБ-СИСТЕМАХ , Наукові вісті КПІ: № 2 (2019)
Vadym V. Tsybulenko, Stanislav V. Shutov, Oleg O. Boskin, ОСОБЛИВОСТІ ВИКОРИСТАННЯ МEТОДУ СКАНУЮЧОЇ РІДИННОФАЗОВОЇ ЕПІТАКСІЇ ДЛЯ ВИРОЩУВАННЯ ТОВСТИХ ЕПІТАКСІЙНИХ ШАРІВ , Наукові вісті КПІ: № 3 (2020)
Вадим Володимирович Цибуленко, Станіслав Вікторович Шутов, Олег Осипович Боскін, НАНЕСЕННЯ ОМІЧНОГО КОНТАКТУ Al/SnAl НА КРЕМНІЙ З РІДИННОЇ ФАЗИ , Наукові вісті КПІ: № 2 (2021)

1-10 з 31 Наступне

Ви також можете розпочати розширений пошук схожих статей для цієї статті.

[1] World Cancer Research Fund International, "Skin cancer statistics," 2022. [Online]. Available: https://www.wcrf.org/cancer-trends/skin-cancer-statistics/ . [Accessed: Nov. 7, 2025].

[2] International Skin Imaging Collaboration (ISIC), "ISIC Archive." [Online]. Available: https://www.isic-archive.com/ . [Accessed: Nov. 7, 2025]

[3] P. Popecki et al., "Fractal dimension analysis of melanocytic nevi and melanomas in normal and polarized light-A preliminary report," Life, vol. 12, no. 7, p. 1008, 2022. doi: 10.3390/life12071008.

[4] A. Dosovitskiy et al., "An image is worth 16x16 words: Transformers for image recognition at scale," arXiv preprint arXiv:2010.11929, 2021. [Online]. Available: https://doi.org/10.48550/arXiv.2010.11929 .

[5] S. Khan, H. Ali, and Z. Shah, “Identifying the role of vision transformer for skin cancer—A scoping review,” Frontiers in Artificial Intelligence, vol. 6, Jul. 2023, doi: 10.3389/frai.2023.1202990.

[6] S. Moldovanu et al., "Skin lesion classification based on surface fractal dimensions and statistical color cluster features using an ensemble of Machine Learning Techniques," Cancers, vol. 13, no. 21, p. 5256, 2021. doi: 10.3390/cancers13215256.

[7] V. Nikitin and V. Danilov, "Integration of fractal dimension in vision transformer for skin cancer classification," Electronics and Control Systems, no. 76, 2023. doi: 10.18372/1990-5548.76.17662.

[8] V. Nikitin and V. Danilov, "Fractal dimension calculation techniques for skin lesion characterisation," in Матеріали конференцій МЦНД, 2024. doi: 10.62731/mcnd-26.07.2024.005.

[9] G. M. S. Himel et al., "Skin cancer segmentation and classification using vision transformer for automatic analysis in dermatoscopy-based non-invasive digital system," arXiv preprint arXiv:2401.04746, 2024. [Online]. Available: https://doi.org/10.48550/arXiv.2401.04746 .

[10] T. Khater et al., "Skin cancer classification using explainable artificial intelligence on pre-extracted image features," Intelligent Systems with Applications, vol. 21, p. 200275, Feb. 2024. doi: 10.1016/j.iswa.2023.200275.

[11] P. Tschandl, C. Rosendahl, and H. Kittler, "The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions," Scientific Data, vol. 5, p. 180161, 2018. doi: 10.1038/sdata.2018.161.

[12] M. Combalia et al., "BCN20000: Dermoscopic lesions in the wild," arXiv preprint arXiv:1908.02288, 2019. [Online]. Available: https://doi.org/10.48550/arXiv.1908.02288 . [Accessed: Nov. 8, 2025].

[13] J. Wu, X. Jin, S. Mi, and J. Tang, "An effective method to compute the box-counting dimension based on the mathematical definition and intervals," Results in Engineering, vol. 6, p. 100106, 2020. doi: 10.1016/j.rineng.2020.100106.

[14] T. Lee, V. Ng, R. Gallagher, A. Coldman, and D. McLean, "Dullrazor®: A software approach to hair removal from images," Computers in Biology and Medicine, vol. 27, no. 6, pp. 533–543, Nov. 1997. doi: 10.1016/s0010-4825(97)00020-6.

[15] J. Canny, "A Computational Approach to Edge Detection," IEEE Trans. Pattern Anal. Mach. Intell., vol. 8, no. 6, pp. 679–698, Nov. 1986.

[16] S. Suzuki and K. Abe, "Topological structural analysis of digitized binary images by border following," Computer Vision, Graphics, and Image Processing, vol. 30, no. 1, pp. 32–46, Apr. 1985.

[17] S. Spasić, "On 2D generalization of Higuchi’s fractal dimension," Chaos, Solitons & Fractals, vol. 69, pp. 179–187, Dec. 2014. doi: 10.1016/j.chaos.2014.09.015.