В данной статье рассмотрены проблемы, возникающие при цифровой обработке изображений внутренних органов человека, полученных методом видеоэндоскопии, а также пути их устранения. Несмотря на широкое применение видеоэндоскопических изображений в медицине, в диагностике и хирургии, их качество может снижаться из-за таких факторов, как недостаточное освещение, шумы, геометрические искажения и изменение цветового баланса. Кроме того, биологическое разнообразие человеческого организма и патологические различия проявления заболеваний негативно влияют на точность моделей искусственного интеллекта. В статье обоснована актуальность использования современных алгоритмических подходов, включая технологии глубокого обучения, для повышения качества изображений и эффективности диагностики.

Искусственный интеллект (ИИ) открывает множество возможностей для интеллектуального анализа медицинских изображений. Однако для эффективной работы таких моделей необходимы большие и качественно размеченные данные. Поскольку в медицинской сфере сбор таких данных является сложным и дорогостоящим, методы аугментации данных приобретают особую важность.

В данном исследовании проанализированы основные базы изображений, используемые в таких областях, как медицина, география, сельское хозяйство и биометрические технологии. В частности, рассмотрены базы данных LIDC-IDRI, OASIS, Landsat, Sentinel-2, Google Earth Engine, PlantVillagc, UAV-bascd crop monitoring datasets, LFW и CASIA-WebFace. В работе обсуждаются исследования и разработки, осуществленные с использованием указанных баз.

В статье предлагается информационная система, предназначенная для автоматического распознавания кожных заболеваний, в частности меланомы, на основе дермоскопических изображений. Архитектура системы построена на интеграции фреймворков Laravel и Django через RESTful API и реализована в модульной и масштабируемой структуре. В статье проанализированы технологические преимущества, функциональные возможности и эффективность применения в медицинской практике.