Hybrydowe podejście do dokładnej segmentacji zmian skórnych z wykorzystaniem LEDNet i Swin-UMamba

Dlaczego mapowanie pieprzyków ma znaczenie

Rak skóry, w tym groźna postać—czerniak, często zaczyna się jako mała, nieregularna plamka na skórze. Lekarze wykorzystują specjalne zdjęcia zbliżeniowe, zwane obrazami dermoskopowymi, aby badać te zmiany, ale ręczne wyznaczanie dokładnego obrysu każdej zmiany jest czasochłonne i subiektywne. W tym badaniu przedstawiono nową metodę komputerową, która automatycznie rysuje wysoce precyzyjne granice zmian skórnych na takich obrazach — krok, który może ułatwić wcześniejsze wykrywanie i bardziej wiarygodne monitorowanie raka skóry.

Od rozmytych brzegów do wyraźnych konturów

Tradycyjne programy komputerowe analizujące obrazy medyczne dobrze radzą sobie z rozpoznawaniem ogólnych wzorców, ale mają tendencję do „rozmazywania” drobnych szczegółów tam, gdzie zdrowa skóra styka się z podejrzaną tkanką. W przypadku raka skóry te krawędzie są kluczowe: postrzępione lub nieostre obrysy mogą sygnalizować zagrożenie. Wiele istniejących systemów pomija części zmiany lub obejmuje zbyt dużo otaczającej skóry, zwłaszcza gdy obraz jest zaszumiony, ma niski kontrast lub jest zakłócony przez włosy i cienie. Autorzy argumentują, że rozwiązanie tego problemu wymaga narzędzia, które jednocześnie widzi zarówno ogólny obraz, jak i drobne, nieregularne detale.

Dwuczęściowy cyfrowy specjalista

Badacze zaprojektowali system hybrydowy łączący dwa komplementarne komponenty. Pierwszy, nazwany LEDNet (Lesion Edge Detection Network), jest przeznaczony do znajdowania precyzyjnych granic. Porównuje pary obrazów zmian, aby uwypuklić różnice między plamą a pobliską skórą, a następnie dopracowuje te informacje za pomocą modułu „edge guidance”, który generuje czystą mapę krawędzi—w istocie cienki kontur zmiany. Drugi komponent, Swin-UMamba, koncentruje się na ogólnej strukturze obrazu. Wykorzystuje nowoczesne pomysły z przetwarzania sekwencji, pierwotnie opracowane dla długich tekstów i szeregów czasowych, by łączyć informacje z odległych części obrazu i rozumieć pełen kształt oraz teksturę zmiany. Razem moduły skupione na krawędziach i na kontekście wzajemnie się wzmacniają, prowadząc do czystszych i bardziej wiarygodnych konturów.

Szklenie systemu na obrazach z rzeczywistej praktyki

Aby sprawdzić skuteczność swojego podejścia, zespół przetestował je na trzech powszechnie używanych zbiorach obrazów dermoskopowych: ISIC-2017, ISIC-2018 i Ph2. Każdy zbiór zawiera zdjęcia skóry wraz z maskami narysowanymi przez ekspertów, oznaczającymi początek i koniec zmiany. Badacze najpierw wygenerowali proste mapy krawędzi z istniejących masek, używając klasycznej techniki zwanej detektorem krawędzi Canny’ego. Te mapy, razem z oryginalnymi obrazami, zostały podane do modelu hybrydowego. Wydajność mierzono za pomocą standardowych miar porównujących segmentację komputera z oznaczeniami ekspertów, w tym współczynnika Dice, który zbliża się do 1.0, gdy dopasowanie jest niemal doskonałe.

Wyniki dorównujące śledzeniu ekspertów

We wszystkich trzech zbiorach model hybrydowy przewyższał dobrze znane alternatywy, takie jak U-Net, sieci oparte na mechanizmach uwagi i inne współczesne lekkie projekty. W zbiorach ISIC-2017 i ISIC-2018 wartości Dice wynosiły około 0,97, a na wysokiej jakości obrazach Ph2 osiągały około 0,98, co wskazuje na bardzo bliskie dopasowanie do granic narysowanych przez ludzi. Metoda wykazywała również wysoką czułość (niewiele pominiętych pikseli zmiany), wysoką swoistość (niewiele zdrowych pikseli błędnie oznaczonych jako zmiana) oraz silną ogólną dokładność. Wizualne mapy cieplne pokazały, że system naturalnie skupia się na granicy zmiany—na tym obszarze, który najbardziej interesuje klinicystów—instead of being distracted by background artifacts.

W kierunku szybszych i bardziej spójnych badań skóry

Autorzy konkludują, że ich hybrydowe ramy LEDNet–Swin-UMamba oferują wydajne i skuteczne narzędzie do automatycznego wyznaczania obrysów zmian skórnych na obrazach dermoskopowych. Łącząc precyzyjne śledzenie krawędzi z globalnym rozumieniem kształtu zmiany, metoda dostarcza segmentacji, które są zarówno ostre, jak i niezawodne, nawet dla nieregularnych lub złożonych pieprzyków. Choć nie zastąpi dermatologów, taki system mógłby stać się wartościowym asystentem—przyspieszając przegląd obrazów, zmniejszając rozbieżności między ekspertami i pomagając zapewnić, że podejrzane zmiany w skórze będą wykrywane i monitorowane jak najwcześniej.

Cytowanie: Naeem, M.A., Yang, S., Saleem, M.A. et al. A hybrid approach for accurate skin lesion segmentation using LEDNet and Swin-UMamba. Sci Rep 16, 5415 (2026). https://doi.org/10.1038/s41598-026-38056-y

Słowa kluczowe: rak skóry, czerniak, obrazowanie medyczne, uczenie głębokie, segmentacja zmian