РОЗПІЗНАВАННЯ ВІРУСНИХ ЗАХВОРЮВАНЬ ТА НОВОУТВОРЕНЬ ШКІРИ ЗА ДОПОМОГОЮ ЗГОРТКОВИХ НЕЙРОМЕРЕЖ
Ключові слова:
згорткова нейронна мережа, класифікація, детектування об’єктів, класифікація зображень, машинне навчання, система прийняття рішень, інтелектуальна технологія, оптимізація, сегментаціяАнотація
Дослідження присвячене використанню згорткових нейронних мереж для автоматизованого розпізнавання шкірних захворювань, зосереджуючись на двох основних класах – новоутворення шкіри та вірусні захворювання. Кожен із цих класів містить велику кількість підкласів із різною етіологією та клінічними проявами, що створює складнощі для їх точної диференціації навіть серед фахівців. Метою роботи є не лише класифікація основних груп захворювань, а й аналіз підкласів для підвищення точності діагностичних алгоритмів.Для навчання нейромережі використано DermNet – один із найбільших відкритих датасетів з дерматологічними зображеннями, який містить широкий спектр шкірних патологій. Початковий набір даних було розподілено на навчальну та тестову вибірки, а також доповнено додатковими зображеннями із загальнодоступних джерел. Це дозволило моделі враховувати варіативність шкірних покривів, а також відмінності у відтінках, текстурі та особливостях уражень, що є критичним фактором у діагностиці.Модель базується на глибинному навчанні із використанням класичних згорткових шарів та додаткових методів нормалізації. Вона здатна аналізувати та класифікувати захворювання на основі зображень із високою точністю. Фінальні результати показали точність (accuracy) 91%, повноту (recall) 89% та F1-міру 90%, що суттєво перевищує попередні результати, які коливалися у межах 0.7–0.75. Це доводить, що застосування вдосконалених алгоритмів та адаптивного навчання значно покращує можливості автоматизованої діагностики.На відміну від попередніх підходів, де використовувалися базові згорткові моделі з мінімальним коригуванням гіперпараметрів, у цьому дослідженні вдалося створити більш гнучку систему, яка не лише класифікує зображення за основними класами, а й враховує відмінності між підтипами захворювань. Це особливо важливо для розмежування подібних патологій, наприклад, між доброякісними новоутвореннями та злоякісними формами або між різними типами вірусних інфекцій.Перспективним напрямом подальших досліджень є створення ієрархічної нейромережевої системи, яка дозволить моделі спочатку визначати загальний клас патології, а потім деталізувати підтипи всередині кожної категорії. Такий підхід дасть змогу не лише підвищити точність діагностики, а й створити систему рекомендацій для медичних фахівців щодо подальшого обстеження пацієнтів. Також планується розширення набору даних для тестування моделі на інших типах шкірних захворювань, включаючи рідкісні форми патологій.
Посилання
R. Sadik, A. Majumder, A. A. Biswas, B. Ahammad, and M. M. Rahman, “An in-depth analysis of Convolutional Neural Network architectures with transfer learning for skin disease diagnosis,” Healthcare Analytics, vol. 3, 2023, doi: 10.1016/j. health.2023.100143.
S. Karthikeyan, A. Kingsly Jabakumar, B. Anuradha, “Studies on Different CNN Algorithms for Face Skin Disease Classification Based on Clinical Image,” Proceeding International Conference on Science and Engineering, vol. 11, no. 1, 2023, doi: 10.52783/cienceng.v11i1.88.
F. D. Wibowo, I. Palupi, and B. A. Wahyudi, “Image Detection for Common Human Skin Diseases in Indonesia Using CNN and Ensemble Learning Method,” Journal of Computer System and Informatics (JoSYC), vol. 3, no. 4, 2022, doi: 10.47065/josyc. v3i4.2151.
S. Ahmed et al., “Human Skin Diseases Detection and Classification using CNN,” in 3rd International Conference on Electrical, Computer and Communication Engineering, ECCE 2023, 2023. doi: 10.1109/ECCE57851.2023.10101636.
A. Esteva et al., “Dermatologist-level classification of skin cancer with deep neural networks,” Nature, vol. 542, no. 7639, 2017, doi: 10.1038/nature21056.
B. Durgabhavani, B. Chandana, Sandhyarani, G. Lavanya, G. Srikanth, and N. Bhaskar, “Classification of Skin Disease using CNN,” in 2023 International Conference on Evolutionary Algorithms and Soft Computing Techniques, EASCT 2023, 2023. doi: 10.1109/EASCT59475.2023.10393477.
E. Kinshakov and Y. Parfenenko, “Application of Machine Learning Techniques to Solve the Problem of Skin Diseases Diagnosis,” in Studies in Systems, Decision and Control, vol. 496, Springer Science and Business Media Deutschland GmbH, 2023, pp. 101–116. doi: 10.1007/978-3-031-40997-4_7.
A. M. A. Talab, Z. Huang, F. Xi, and L. Haiming, “Detection crack in image using Otsu method and multiple filtering in image processing techniques,” Optik (Stuttg), vol. 127, no. 3, 2016, doi: 10.1016/j.ijleo.2015.09.147.
M. Kazemimoghadam, Z. Yang, M. Chen, L. Ma, W. Lu, and X. Gu, “Leveraging global binary masks for structure segmentation in medical images,” Phys Med Biol, vol. 68, no. 18, 2023, doi: 10.1088/1361-6560/acf2e2.
V. A. Ashwath, O. K. Sikha, and R. Benitez, “TS-CNN: A Three-Tier Self-Interpretable CNN for Multi-Region Medical Image Classification,” IEEE Access, vol. 11, 2023, doi: 10.1109/ACCESS.2023.3299850.
M. Frid-Adar, I. Diamant, E. Klang, M. Amitai, J. Goldberger, and H. Greenspan, “GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification,” Neurocomputing, vol. 321, 2018, doi: 10.1016/j. neucom.2018.09.013.
K. Nirmala, K. Saruladha, and K. Dekeba, “Investigations of CNN for Medical Image Analysis for Illness Prediction,” Comput Intell Neurosci, vol. 2022, 2022, doi: 10.1155/2022/7968200.
L. Nanni, A. Manfè, G. Maguolo, A. Lumini, and S. Brahnam, “High performing ensemble of convolutional neural networks for insect pest image detection,” Ecol Inform, vol. 67, 2022, doi: 10.1016/j.ecoinf.2021.101515.
U. Kuran and E. C. Kuran, “Parameter selection for CLAHE using multiobjective cuckoo search algorithm for image contrast enhancement,” Intelligent Systems with Applications, vol. 12, 2021, doi: 10.1016/j.iswa.2021.200051.
Y. Patel et al., “An Improved Dense CNN Architecture for Deepfake Image Detection,” IEEE Access, vol. 11, 2023, doi: 10.1109/ACCESS.2023.3251417.
G. Cheng et al., “Prototype-CNN for Few-Shot Object Detection in Remote Sensing Images,” IEEE Transactions on Geoscience and Remote Sensing, vol. 60, 2022, doi: 10.1109/TGRS.2021.3078507.
