Гибридный подход для точной сегментации кожных поражений с использованием LEDNet и Swin-UMamba

Почему важно картировать родинки

Рак кожи, включая опасную форму меланомы, часто начинается как небольшое неправильной формы пятно на коже. Врачи изучают такие участки с помощью специальных крупным планом фотографий — дермоскопических изображений, но аккуратное обведение точного контура каждого поражения вручную занимает много времени и носит субъективный характер. В этом исследовании представлен новый компьютерный метод, который автоматически проводит крайне точные границы вокруг кожных поражений на подобных изображениях — шаг, способный помочь в более раннем обнаружении и более надежном мониторинге рака кожи.

От размытых краев к четким контурам

Традиционные компьютерные программы для анализа медицинских изображений хорошо распознают общие паттерны, но склонны «размывать» тонкие детали на границе между здоровой кожей и подозрительной тканью. Для диагностики рака эти края особенно важны: зубчатые или нечеткие границы могут указывать на опасность. Многие существующие системы либо пропускают части поражения, либо включают слишком большой участок окружающей кожи, особенно когда изображение зашумлено, имеет низкую контрастность или закрыто волосами и тенями. Авторы утверждают, что решение этой проблемы требует инструмента, который одновременно видит и общую картину, и мелкие нерегулярные детали.

Цифровой специалист из двух частей

Исследователи разработали гибридную систему, объединяющую два дополняющих друг друга компонента. Первый, называемый LEDNet (Lesion Edge Detection Network), предназначен для обнаружения точных границ. Он сравнивает пары изображений поражений, чтобы выделить различия между пятном и прилегающей кожей, затем уточняет эту информацию с помощью модуля «edge guidance», который формирует чистую карту краев — по сути тонкий контур поражения. Второй компонент, Swin-UMamba, фокусируется на общей структуре изображения. Он использует современные подходы к обработке последовательностей, изначально разработанные для длинных текстов и временных рядов, чтобы связывать информацию из удаленных частей изображения и понимать полную форму и текстуру поражения. Взаимодействие модулей, ориентированного на края и ориентированного на контекст, приводит к более четким и надежным контурам.

Обучение системы на реальных дермоскопических снимках

Чтобы оценить эффективность подхода, команда протестировала его на трех широко используемых наборах дермоскопических изображений: ISIC-2017, ISIC-2018 и Ph2. Каждый набор содержит фотографии кожи и маски, нарисованные экспертами, отмечающие границы поражений. Исследователи сначала сгенерировали простые карты краев из существующих масок с помощью классического метода детектирования краев Кэнни. Эти карты вместе с оригинальными изображениями были поданы на вход гибридной модели. Эффективность измерялась стандартными метриками, сравнивающими сегментацию компьютера с разметкой экспертов, включая коэффициент Dice, который приближается к 1.0 при почти совершенном совпадении.

Результаты, сравнимые с работой экспертов

Во всех трех наборах гибридная модель превзошла известные альтернативы, такие как U-Net, сети с механизмом внимания и другие современные облегченные архитектуры. В коллекциях ISIC-2017 и ISIC-2018 значения Dice составляли около 0,97, а для высококачественных изображений Ph2 достигали примерно 0,98, что указывает на очень близкое совпадение с контурами, нанесенными человеком. Метод также показал высокую чувствительность (мало пропущенных пикселей поражения), высокую специфичность (мало здоровых пикселей ошибочно отмечено как поражение) и высокую общую точность. Визуальные тепловые карты продемонстрировали, что система естественно концентрируется на границе поражения — той области, которая наиболее важна для клиницистов, — а не отвлекается на артефакты фона.

К более быстрым и последовательным проверкам кожи

Авторы приходят к выводу, что их гибридная архитектура LEDNet–Swin-UMamba представляет собой мощный и эффективный инструмент для автоматического обведения кожных поражений на дермоскопических изображениях. Комбинируя тонкое отслеживание краев с глобальным пониманием формы поражения, метод обеспечивает сегментации, которые одновременно четкие и надежные, даже для нерегулярных или сложных родинок. Хотя он не заменит дерматологов, такая система может стать ценным помощником — ускоряя просмотр изображений, уменьшая расхождения во мнениях между экспертами и помогая своевременно обнаруживать и отслеживать подозрительные изменения на коже.

Цитирование: 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

Ключевые слова: рак кожи, меланома, медицинская визуализация, глубокое обучение, сегментация поражений