Удаление волос и артефактов на дермоскопических изображениях с помощью глубокого обучения для улучшения выявления рака кожи

Более четкие изображения кожи, которые спасают жизни

Раннее обнаружение опасных опухолей кожи может означать разницу между простым амбулаторным вмешательством и угрозой для жизни. Врачи всё чаще полагаются на крупные планы кожи — дермоскопические изображения — чтобы увидеть тонкие цветовые узоры и границы родинок. Но на практике такие снимки часто загромождены волосами, бликами от освещения и тенями. В этом исследовании показано, как современная система искусственного интеллекта автоматически «очищает» эти изображения, удаляя визуальный шум и одновременно сохраняя тонкие детали, которые необходимы врачам и диагностическому ПО для более раннего выявления меланомы.

Проблема неаккуратных снимков кожи

Хотя меланома встречается реже, чем другие раки кожи, она значительно более смертельна, поэтому ранняя и точная диагностика критична. Дермоскопия позволяет клиницистам видеть структуры под поверхностью кожи, но изображения редко бывают идеальными. Волосы, пересекающие кадр, неравномерное освещение и отражения от кожи или объектива могут размывать границы поражений и скрывать пигментные узоры. Традиционные методы очистки опираются на вручную разработанные правила и фильтры: они часто работают только для конкретных типов волос или освещения и могут случайно стереть части самого поражения. При этом многие системы автоматизированной диагностики кожи тихо предполагают, что входные изображения уже чисты, что в загруженных клиниках встречается редко.

Обучение сети тому, что удалять, а что сохранять

Исследователи подошли к этой задаче, обучив модель глубокого обучения, известную как U‑Net, отделять нежелательные артефакты от самой кожной патологии на уровне отдельных пикселей. Они использовали два больших общедоступных набора изображений родинок и других пятен на коже, в сумме охватывающих более 20 000 дермоскопических снимков с доброкачественными и злокачественными поражениями. Каждое изображение было тщательно предобработано: цвета нормализовали, чтобы снимки, сделанные разными камерами или при разном освещении, стали более сопоставимыми, а набор данных расширили переворотами, поворотами и незначительными изменениями цвета, имитируя разнообразие, встречающееся в реальной практике.

Создание точной «эталонной правды» для шума

Ключевым шагом было точно указать сети, какие пиксели — это волосы или другой шум, а какие принадлежат поражению или окружающей коже. Эксперты‑дерматологи вручную рисовали подробные маски на репрезентативных изображениях, обводя тонкие волоски, метки от линейки, блики и тени, избегая при этом важных структур поражения. Классические инструменты обработки изображений затем использовали для генерации черновых масок для большего числа снимков, которые эксперты проверяли и корректировали. Все изображения и маски приводились к единому размеру, чтобы сеть могла усваивать согласованные шаблоны. Во время обучения специально настроенная функция потерь поощряла модель как за точное выделение артефактов, так и за недопущение случайного искажения деталей поражения, особенно очень тонких или мелких структур.

Более четкие снимки и лучшее выявление рака

После обучения систему протестировали на невидимых ранее изображениях. Показатели качества изображений заметно улучшились: очищенные снимки стали более похожи на идеальные эталонные изображения, а их структура лучше сохранялась. Сеть также научилась помечать волосы и другие артефакты с высокой точностью, даже когда они были плотными или неправильной формы. Чтобы проверить клиническую значимость, авторы пропустили как исходные, так и очищенные изображения через уже имеющийся ИИ‑классификатор меланомы. На очищенных входах точность этого классификатора выросла примерно с 84% до ~90–92%, а ключевая сбалансированная мера эффективности (F1‑score) улучшилась почти на 10 процентных пунктов. Уверенность модели в своих решениях также возросла, особенно в трудных случаях, где шум ранее скрывал границы поражений.

Что это значит для будущих осмотров кожи

Эта работа демонстрирует, что удаление волос и другого визуального шума — это не просто косметическая обработка, а важный первичный шаг для надежной компьютерной диагностики рака кожи. Встраивание сети удаления артефактов перед существующими классификаторами позволит клиникам и телемедицинским службам получать более четкие и стандартизованные дермоскопические изображения в реальном времени, не увеличивая нагрузку на врачей. Подход всё ещё требует проверки на более разнообразных тонах кожи, камерах и условиях клиник, но он предлагает практический путь к более надежному ИИ‑поддерживаемому скринингу меланомы и, в конечном счёте, к более раннему лечению пациентов.

Цитирование: 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

Ключевые слова: меланома, дермоскопия, глубокое обучение, предобработка изображений, обнаружение рака кожи