Usuwanie włosów i artefaktów w obrazach dermoskopowych za pomocą głębokiego uczenia w celu usprawnienia wykrywania raka skóry

Wyraźniejsze zdjęcia skóry, które ratują życie

Wykrycie groźnych nowotworów skóry we wczesnym stadium może decydować o tym, czy potrzeba jedynie prostego zabiegu ambulatoryjnego, czy grozi nam choroba zagrażająca życiu. Lekarze coraz częściej polegają na zbliżeniach skóry, zwanych obrazami dermoskopowymi, by dostrzec subtelne wzory kolorów i krawędzie znamion. W praktyce zdjęcia te bywają jednak zanieczyszczone włosami, odblaskami światła i cieniami. W badaniu pokazano, jak nowoczesny system sztucznej inteligencji może automatycznie „oczyszczać” te obrazy, usuwając wizualny bałagan przy jednoczesnym zachowaniu drobnych szczegółów niezbędnych lekarzom i oprogramowaniu diagnostycznemu do wcześniejszego wykrywania czerniaka.

Problem niechlujnych zdjęć skóry

Chociaż czerniak występuje rzadziej niż inne nowotwory skóry, jest znacznie bardziej śmiertelny, dlatego wczesna i trafna diagnoza jest kluczowa. Dermoskopia pozwala klinicystom zobaczyć struktury pod powierzchnią skóry, ale obrazy rzadko są nienaganne. Włosy przebiegające przez pole widzenia, niejednolite oświetlenie i odbicia od skóry lub soczewki aparatu mogą rozmazywać granice zmiany i ukrywać wzory pigmentacji. Tradycyjne metody oczyszczania opierają się na ręcznie opracowanych regułach i filtrach. Często działają tylko dla określonych typów włosów lub warunków oświetleniowych i mogą przypadkowo usuwać fragmenty samej zmiany. Jednocześnie wiele systemów wspomagających wykrywanie raka skóry zakłada, niejawnie, że obrazy wejściowe są już oczyszczone, co rzadko ma miejsce w zatłoczonych gabinetach.

Nauka sieci, co usuwać, a co zachować

Badacze podeszli do problemu, trenując model głębokiego uczenia znany jako U‑Net, aby oddzielał niepożądane artefakty od rzeczywistej zmiany skórnej na poziomie pojedynczych pikseli. Wykorzystali dwie duże, publicznie dostępne kolekcje obrazów znamion i innych zmian skórnych, obejmujące łącznie ponad 20 000 obrazów dermoskopowych ze zmianami łagodnymi i nowotworowymi. Każde zdjęcie zostało starannie wstępnie przetworzone: znormalizowano kolory, aby zdjęcia wykonane różnymi aparatami i przy różnym oświetleniu były bardziej porównywalne, a zestaw danych rozszerzono o odbicia lustrzane, rotacje i nieznaczne zmiany barw, by naśladować różnorodność spotykaną w praktyce.

Tworzenie precyzyjnej „prawdy ziemi” dla zabrudzeń

Kluczowym krokiem było dokładne wskazanie sieci, które piksele to włosy lub inne zanieczyszczenia, a które należą do zmiany lub otaczającej skóry. Eksperci dermatolodzy ręcznie rysowali szczegółowe maski na reprezentatywnych obrazach, śledząc cienkie włosy, oznaczenia linijką, plamy odblasków i cienie, jednocześnie unikając ważnych struktur zmiany. Klasyczne narzędzia do przetwarzania obrazu posłużyły potem do wygenerowania roboczych masek dla wielu kolejnych zdjęć, które eksperci przeglądali i korygowali. Wszystkie obrazy i maski zostały przeskalowane do standardowego formatu, aby sieć mogła uczyć się spójnych wzorców. Podczas treningu dostosowana funkcja straty nagradzała model zarówno za precyzyjne wyznaczanie artefaktów, jak i za unikanie przypadkowego uszkadzania detali zmiany, zwłaszcza bardzo cienkich lub małych struktur.

Ostrzejsze obrazy i lepsze wykrywanie raka

Po przeszkoleniu system testowano na niewidzianych wcześniej obrazach. Miary jakości obrazu poprawiły się znacząco: oczyszczone obrazy były bardziej zbliżone do idealnych obrazów referencyjnych, a ich struktura była lepiej zachowana. Sieć nauczyła się również z dużą precyzją oznaczać włosy i inne artefakty, nawet gdy były gęste lub nieregularne. Aby sprawdzić, czy ma to znaczenie kliniczne, autorzy podali zarówno oryginalne, jak i oczyszczone obrazy do istniejącego systemu wykrywania czerniaka. Przy oczyszczonych danych wejściowych dokładność tego klasyfikatora wzrosła z około 84% do około 90–92%, a kluczowa miara równowagi wydajności (F1‑score) poprawiła się niemal o 10 punktów procentowych. Pewność modelu w swoich decyzjach również wzrosła, zwłaszcza w trudnych przypadkach, gdzie wcześniej zanieczyszczenia zasłaniały granice zmiany.

Co to oznacza dla przyszłych badań skóry

Praca ta pokazuje, że usuwanie włosów i innych wizualnych zanieczyszczeń to nie tylko kosmetyczna edycja, lecz kluczowy pierwszy krok do niezawodnej komputerowo wspomaganej diagnozy raka skóry. Umieszczając sieć do usuwania artefaktów przed istniejącymi klasyfikatorami, przychodnie i usługi telemedyczne mogłyby w czasie rzeczywistym uzyskiwać wyraźniejsze, bardziej znormalizowane obrazy dermoskopowe bez dodatkowej pracy dla lekarzy. Podejście wymaga jeszcze testów na jeszcze bardziej zróżnicowanych odcieniach skóry, aparatach i warunkach klinicznych, ale oferuje praktyczną ścieżkę do bardziej niezawodnego przesiewowego wykrywania czerniaka wspieranego przez AI i ostatecznie do wcześniejszego leczenia pacjentów.

Cytowanie: Hammouda, N.G., Shalaby, M., Alfilh, R.H.C. et al. Hair and artifact removal in dermoscopic images using deep learning for enhanced skin cancer detection. Sci Rep 16, 14452 (2026). https://doi.org/10.1038/s41598-026-44545-x

Słowa kluczowe: czerniak, dermoskopia, głębokie uczenie, wstępne przetwarzanie obrazu, wykrywanie raka skóry