Геометрия кварталов спасает от меланомы: алгоритмы научились точнее находить границы опасных родинок
Аннотация Меланома — одна из самых смертоносных форм рака кожи, и ранняя диагностика зависит от точного определения подозрительных поражений на дерматоскопических изображениях. В этом исследовании представлена MaSA-UNet, структура сегментации на основе U-Net, дополненная Manhattan Self-Attention (MaSA) для моделирования пространственного контекста, предварительной тренировкой с самоконтролируемым шумоподавлением для обучения представлению и взвешенной составленной потерей (WCL) для оптимизации с учетом перекрытия. Модель оценивается по четырем общедоступным критериям оценки повреждений кожи: ISIC 2016, ISIC 2017, ISIC 2018 и PH $$^2$$ 2 . В ответ на опасения рецензентов в пересмотренное исследование добавлены контролируемые эксперименты с несколькими исходными данными, доверительные интервалы, парные статистические тесты, изолированные сравнения SSL, обсуждение чувствительности WCL, измерения времени вывода и обсуждение надежности между наборами данных. Результаты показывают, что MaSA-UNet остается конкурентоспособным с сильными базовыми показателями U-Net и может улучшить работу Dice и Jaccard в PH $$^2$$ 2 и ISIC 2016, в то время как дополнительные контролируемые эксперименты показывают поведение, зависящее от набора данных, в ISIC 2017 и ISIC 2018. Эти результаты подтверждают, что MaSA является полезным механизмом контекстуального уточнения для сегментации повреждений кожи, а также проясняет ограничения текущего SSL и стратегий взвешивания потерь. Исходный код будет доступен в репозитории GitHub после публикации.
## В чем суть открытия Ранняя диагностика меланомы — одной из самых опасных форм злокачественных новообразований кожи — напрямую зависит от безошибочного определения контуров подозрительного пигментного пятна. В дерматоскопической практике неточность всего в несколько миллиметров отделяет своевременное удаление поверхностного очага от фатального распространения болезни. Исторически автоматическая сегментация медицинских изображений строилась на базе сверточных архитектур семейства U-Net. Однако классические свертки и стандартные блоки внимания сталкиваются с серьезным барьером: локальные фильтры не способны охватить глобальный анатомический контекст, а глобальные механизмы внимания требуют колоссальных вычислительных мощностей из-за квадратичной сложности. В результате алгоритмы нередко теряют ориентацию на неровных, размытых и пигментно-неоднородных границах новообразования. ## Как это устроено: принцип работы Архитектура MaSA-UNet преодолевает этот тупик с помощью комплекса из трех взаимосвязанных инженерных решений. Ключевым элементом системы выступает манхэттенское самовнимание (Manhattan Self-Attention, MaSA). Подобно навигации по прямоугольной сетке улиц Манхэттена, алгоритм выстраивает пространственный контекст строго по взаимно перпендикулярным координатным осям. Такой подход позволяет охватывать протяженные пространственные взаимосвязи между пикселями поражения и здоровой ткани, полностью избегая вычислительного взрыва, свойственного плотному полноматричному вниманию. Вторым компонентом стало предварительное самообучение без учителя на задаче подавления шума. Нейросеть тренируют восстанавливать исходную структуру ткани из искусственно поврежденных дерматоскопических изображений, что позволяет извлекать фундаментальные визуальные признаки до начала этапа целевой разметки. Финальным звеном служит взвешенная составная функция потерь (Weighted Composed Loss, WCL), ориентированная на зоны взаимного перекрытия и целенаправленно штрафующая модель за неточные контуры на краевых участках. ## Результаты и доказательства Эффективность модели исследователи проверили на четырех международных открытых бенчмарках дерматоскопии: ISIC 2016, ISIC 2017, ISIC 2018 и PH². Чтобы обеспечить научную строгость и исключить элемент случайности, авторы провели обширную серию контролируемых экспериментов с фиксацией множественных псевдослучайных сидов, расчетом доверительных интервалов и парным статистическим тестированием гипотез. Результаты подтвердили, что архитекту