The Value of Total Body Photography for the Early Detection of Melanoma: A Systematic Review

Hornung, Annkathrin; Steeb, Theresa; Wessely, Anja; Brinker, Titus J.; Breakell, Thomas; Erdmann, Michael; Berking, Carola; Heppt, Markus V.

doi:10.3390/ijerph18041726

Cited by 32 publications

(19 citation statements)

References 41 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…• Research on Total Body Images: While there has been some research towards detecting and tracking skin lesions over time in 2D wide-field images (Mirzaalian et al, 2016;Li et al, 2017;Korotkov et al, 2019;Soenksen et al, 2021) and in 3D total body images (Bogo et al, 2014;Zhao et al, 2022), simultaneous segmentation of skin lesions from total body images would help with early detection of melanoma (Halpern, 2003;Hornung et al, 2021), thus improving patient outcomes.…”

Section: Discussion and Future Researchmentioning

confidence: 99%

A Survey on Deep Learning for Skin Lesion Segmentation

Mirikharaji¹,

Barata²,

Kumar³

et al. 2022

Preprint

View full text Add to dashboard Cite

Skin cancer is a major public health problem that could benefit from computer-aided diagnosis to reduce the burden of this common disease. Skin lesion segmentation from images is an important step toward achieving this goal. However, the presence of natural and artificial artifacts (e.g., hair and air bubbles), intrinsic factors (e.g., lesion shape and contrast), and variations in image acquisition conditions make skin lesion segmentation a challenging task. Recently, various researchers have explored the applicability of deep learning models to skin lesion segmentation. In this survey, we cross-examine 134 research papers that deal with deep learning based segmentation of skin lesions. We analyze these works along several dimensions, including input data (datasets, preprocessing, and synthetic data generation), model design (architecture, modules, and losses), and evaluation aspects (data annotation requirements and segmentation performance). We discuss these dimensions both from the viewpoint of select seminal works, and from a systematic viewpoint, examining how those choices have influenced current trends, and how their limitations should be addressed. We summarize all examined works in a comprehensive table to facilitate comparisons.

show abstract

Section: Discussion and Future Researchmentioning

confidence: 99%

A Survey on Deep Learning for Skin Lesion Segmentation

Mirikharaji¹,

Barata²,

Kumar³

et al. 2022

Preprint

View full text Add to dashboard Cite

show abstract

“…This technology can provide a 2-D or 3-D reconstruction of the entire skin surface making it possible to follow up patients with a high number of atypical melanocytic lesions in a relatively short time and to increase the accuracy of the early diagnosis of melanoma [ 8 , 9 , 10 , 11 ] ( Figure 3 and Figure 4 ).…”

Section: Techniquesmentioning

confidence: 99%

Diagnostics Using Non-Invasive Technologies in Dermatological Oncology

Soglia

Pérez-Ánker

Guede

et al. 2022

Cancers

View full text Add to dashboard Cite

The growing incidence of skin cancer, with its associated mortality and morbidity, has in recent years led to the developing of new non-invasive technologies, which allow an earlier and more accurate diagnosis. Some of these, such as digital photography, 2D and 3D total-body photography and dermoscopy are now widely used and others, such as reflectance confocal microscopy and optical coherence tomography, are limited to a few academic and referral skin cancer centers because of their cost or the long training period required. Health care professionals involved in the treatment of patients with skin cancer need to know the implications and benefits of new non-invasive technologies for dermatological oncology. In this article we review the characteristics and usability of the main diagnostic imaging methods available today.

show abstract

“…Durch einen detailgenauen Vergleich der Läsionen bei späteren Untersuchungen können im Verlauf auftretende dynamische Veränderungen bestehender Nävi sowie Neuentstehungen von Pigmentmalen erfasst werden. Damit wird Studien zufolge die Detektion dünner Melanome bei Patienten mit multiplen Nävi deutlich verbessert und die Exzisionsrate gutartiger Hautläsionen verringert 5 .…”

Section: Routinediagnostik Zur Hautkrebs-früherkennungunclassified

Künstliche Intelligenz auf dem Vormarsch – Hohe Vorhersage-Genauigkeit bei der Früherkennung pigmentierter Melanome

Jutzi

Krieghoff-Henning

Brinker

2022

Aktuelle Dermatologie

Self Cite

View full text Add to dashboard Cite

ZusammenfassungWeltweit steigt die Inzidenz des malignen Melanoms an. Bei frühzeitiger Erkennung ist das Melanom gut behandelbar, eine Früherkennung ist also lebenswichtig.Die Hautkrebs-Früherkennung hat sich in den letzten Jahrzehnten bspw. durch die Einführung des Screenings im Jahr 2008 und die Dermatoskopie deutlich verbessert. Dennoch bleibt die visuelle Erkennung insbesondere von frühen Melanomen eine Herausforderung, weil diese viele morphologische Überlappungen mit Nävi zeigen. Daher ist der medizinische Bedarf weiterhin hoch, die Methoden zur Hautkrebsfrüherkennung gezielt weiterzuentwickeln, um Melanome bereits in einem sehr frühen Stadium sicher diagnostizieren zu können.Die Routinediagnostik zur Hautkrebs-Früherkennung umfasst die visuelle Ganzkörperinspektion, oft ergänzt durch die Dermatoskopie, durch die sich die diagnostische Treffsicherheit erfahrener Hautärzte deutlich erhöhen lässt. Ein Verfahren, was in einigen Praxen und Kliniken zusätzlich angeboten wird, ist die kombinierte Ganzkörperfotografie mit der digitalen Dermatoskopie für die Früherkennung maligner Melanome, insbesondere für das Monitoring von Hochrisiko-Patienten.In den letzten Jahrzenten wurden zahlreiche nicht invasive zusatzdiagnostische Verfahren zur Beurteilung verdächtiger Pigmentmale entwickelt, die das Potenzial haben könnten, eine verbesserte und z. T. automatisierte Bewertung dieser Läsionen zu ermöglichen. In erster Linie ist hier die konfokale Lasermikroskopie zu nennen, ebenso die elektrische Impedanzspektroskopie, die Multiphotonen-Lasertomografie, die Multispektralanalyse, die Raman-Spektroskopie oder die optische Kohärenztomografie. Diese diagnostischen Verfahren fokussieren i. d. R. auf hohe Sensitivität, um zu vermeiden, ein malignes Melanom zu übersehen. Dies bedingt allerdings üblicherweise eine geringere Spezifität, was im Screening zu unnötigen Exzisionen vieler gutartiger Läsionen führen kann. Auch sind einige der Verfahren zeitaufwendig und kostenintensiv, was die Anwendbarkeit im Screening ebenfalls einschränkt.In naher Zukunft wird insbesondere die Nutzung von künstlicher Intelligenz die Diagnosefindung in vielfältiger Weise verändern. Vielversprechend ist v. a. die Analyse der makroskopischen und dermatoskopischen Routine-Bilder durch künstliche Intelligenz. Für die Klassifizierung von pigmentierten Hautläsionen anhand makroskopischer und dermatoskopischer Bilder erzielte die künstliche Intelligenz v. a. in Form neuronaler Netze unter experimentellen Bedingungen in zahlreichen Studien bereits eine vergleichbare diagnostische Genauigkeit wie Dermatologen. Insbesondere bei der binären Klassifikationsaufgabe Melanom/Nävus erreichte sie hohe Genauigkeiten, doch auch in der Multiklassen-Differenzierung von verschiedenen Hauterkrankungen zeigt sie sich vergleichbar gut wie Dermatologen. Der Nachweis der grundsätzlichen Anwendbarkeit und des Nutzens solcher Systeme in der klinischen Praxis steht jedoch noch aus. Noch zu schaffende Grundvoraussetzungen für die Translation solcher Diagnosesysteme in die dermatologischen Routine sind Möglichkeiten für die Nutzer, die Entscheidungen des Systems nachzuvollziehen, sowie eine gleichbleibend gute Leistung der Algorithmen auf Bilddaten aus fremden Kliniken und Praxen.Derzeit zeichnet sich ab, dass computergestützte Diagnosesysteme als Assistenzsysteme den größten Nutzen bringen könnten, denn Studien deuten darauf hin, dass eine Kombination von Mensch und Maschine die besten Ergebnisse erzielt. Diagnosesysteme basierend auf künstlicher Intelligenz sind in der Lage, Merkmale schnell, quantitativ, objektiv und reproduzierbar zu erfassen, und könnten somit die Medizin auf eine mathematische Grundlage stellen – zusätzlich zur ärztlichen Erfahrung.

show abstract

The Value of Total Body Photography for the Early Detection of Melanoma: A Systematic Review

Cited by 32 publications

References 41 publications

A Survey on Deep Learning for Skin Lesion Segmentation

A Survey on Deep Learning for Skin Lesion Segmentation

Diagnostics Using Non-Invasive Technologies in Dermatological Oncology

Künstliche Intelligenz auf dem Vormarsch – Hohe Vorhersage-Genauigkeit bei der Früherkennung pigmentierter Melanome

Contact Info

Product

Resources

About