Дослідження методу прогнозування глибини інвазії меланоми

Abstract

Melanoma, a highly malignant skin tumor, relies on its Depth of Invasion (DoI) as a critical metric for assessing tumor malignancy, predicting patient prognosis, and guiding treatment strategies. Traditional DoI measurement methods are manual, time-consuming, and prone to errors due to complex tissue morphologies and the need for fine annotations. This study introduces a novel Convolutional Neural Network (CNN)-based framework that integrates image patch classification with morphological processing to achieve high-precision DoI prediction under coarse annotations. The approach comprises four modules: pathology tissue differentiation using Otsu thresholding and morphological operations, lesion and epidermal region identification via EfficientNetB0 classification, and DoI measurement through least-squares boundary fitting. Experimental results on a melanoma dataset demonstrate a Mean Absolute Error (MAE) of 0.503 mm and a Root Mean Square Error (RMSE) of 0.169 mm, significantly outperforming traditional segmentation networks such as UNet and Attention-UNet. This method provides a robust and efficient solution for automated melanoma diagnosis, with substantial potential for clinical translation.Меланома, високозлоякісна пухлина шкіри, спирається на глибину інвазії (ГІ) як критичний показник для оцінки злоякісності пухлини, прогнозування прогнозу пацієнта та визначення стратегій лікування. Традиційні методи вимірювання ГІ є ручними, трудомісткими та схильними до помилок через складну морфологію тканин та необхідність точних анотацій. Це дослідження представляє нову структуру на основі згорткової нейронної мережі (CNN), яка інтегрує класифікацію ділянок зображення з морфологічною обробкою для досягнення високоточних прогнозів ГІ за грубими анотаціями. Підхід складається з чотирьох модулів: диференціація патологічних тканин з використанням порогового значення Otsu та морфологічних операцій, ідентифікація ураження та епідермальної області за допомогою класифікації EfficientNetB0 та вимірювання ГІ за допомогою методу найменших квадратів, що підбирає межі. Експериментальні результати на наборі даних про меланому демонструють середню абсолютну похибку (MAE) 0,503 мм та середньоквадратичну похибку (RMSE) 0,169 мм, що значно перевершує традиційні мережі сегментації, такі як UNet та Attention-UNet. Цей метод забезпечує надійне та ефективне рішення для автоматизованої діагностики меланоми зі значним потенціалом для клінічного застосування.