A Một mô hình nhẹ để nhận biết bệnh về da
Một mô hình nhẹ để nhận biết bệnh về da
Abstract
Bệnh về da ngày càng trở nên phổ biến, nổi lên như một trong những tình trạng phổ biến nhất. Nó ảnh hưởng đáng kể đến sức khỏe con người, thậm chí gây ung thư da và tử vong. Vì vậy, gần đây có rất nhiều phương pháp được đề xuất để giải quyết vấn đề này, đặc biệt là phương pháp dựa trên học sâu. Tuy nhiên, những phương pháp tiên tiến này dường như chỉ tập trung vào việc làm thế nào để đạt được hiệu suất tốt hơn mà bỏ qua vấn đề về thời gian suy luận. Cụ thể, các phương pháp dựa trên học sâu thường xây dựng rất sâu với kích thước mô hình và chi phí tính toán rất lớn. Do đó, việc triển khai các mô hình này trên các thiết bị không hỗ trợ GPU trở nên rất khó khăn. Trong nghiên cứu này, chúng tôi giới thiệu một mô hình gọn nhẹ và hiệu quả được thiết kế để giải quyết vấn đề này tận dụng kiến trúc Mobilenet. Các kết quả thử nghiệm của chúng tôi chứng minh rằng mạng được đề xuất mang lại hiệu suất tương đương với các kỹ thuật tiên tiến hiện đại trên các bộ dữ liệu chuẩn khác nhau, bao gồm HAM10000, International Skin Imaging Collaboration 2017 và International Skin Imaging Collaboration 2019. Đáng chú ý hơn, phương pháp của chúng tôi chỉ sử dụng 0,2 triệu thông số và 0,3 GFlops để phân loại hình ảnh. Điều này có tầm quan trọng đáng kể trong việc triển khai mô hình trên các thiết bị cạnh không có GPU hỗ trợ.
References
T. S. C. Foundation, “Skin cancer facts and statistics,” https://www.skincancer.org/skin-cancer-information/skin-cancer-facts/, access: 2023-06-30.
M. UK, “2020 melanoma skin cancer report,” https://www.melanomauk.org.uk/2020-melanoma-skin-cancer-report, access: 2023-06-30.
R. K. Voss, T. N. Woods, K. D. Cromwell, K. C. Nelson, and J. N. Cormier, “Improving outcomes in patients with melanoma: strategies to ensure an early diagnosis,” Patient related outcome measures, pp. 229–242, 2015.
H. Kittler, H. Pehamberger, K. Wolff, and M. Binder, “Diagnostic accuracy of dermoscopy,” The lancet oncology, vol. 3, no. 3, pp. 159–165, 2002.
T. J. Brinker, A. Hekler, A. H. Enk, J. Klode, A. Hauschild, C. Berking, B. Schilling, S. Haferkamp, D. Schadendorf, S. Frohling ¨ et al., “A convolutional neural network trained with dermoscopic images performed on par with 145 dermatologists in a clinical melanoma image classification task,” European Journal of Cancer, vol. 111, pp. 148–154, 2019.
T. J. Brinker, A. Hekler, A. H. Enk, J. Klode, A. Hauschild, C. Berking, B. Schilling, S. Haferkamp, D. Schadendorf, T. Holland-Letz et al., “Deep learning outperformed 136 of 157 dermatologists in a head-to-head dermoscopic melanoma image classification task,” European Journal of Cancer, vol. 113, pp. 47–54, 2019.
K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 770–778.
C. Nhan Duong, K. Luu, K. Gia Quach, and T. D. Bui, “Longitudinal face modeling via temporal deep restricted boltzmann machines,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 5772–5780.
R. Girshick, J. Donahue, T. Darrell, and J. Malik, “Rich feature hierarchies for accurate object detection and semantic segmentation,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2014, pp. 580–587.
D.-Q. Vu, N. Le, and J.-C. Wang, “Teaching yourself: A self-knowledge distillation approach to action recognition,” IEEE Access, vol. 9, pp. 105 711–105 723, 2021.
Q. V. Duc, T. Phung, M. Nguyen, B. Y. Nguyen, and T. H. Nguyen, “Self-knowledge distillation: an efficient approach for falling detection,” in International Conference on Artificial Intelligence and Big Data in Digital Era. Springer, 2021, pp. 369–380.
H. M. Tan, D.-Q. Vu, C.-T. Lee, Y.-H. Li, and J.-C. Wang, “Selective mutual learning: An efficient approach for single channel speech separation,” in ICASSP 2022-2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2022, pp. 3678–3682.
H. M. Tan, D.-Q. Vu, and J.-C. Wang, “Selinet: A lightweight model for single channel speech separation,” in ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2023, pp. 1–5.
T. Phung, V. T. Nguyen, T. H. T. Ma, and Q. V. Duc, “A (2+ 1) d attention convolutional neural network for video prediction,” in International Conference on Artificial Intelligence and Big Data in Digital Era. Springer, 2021, pp. 395–406.
D.-Q. Vu and T. P. T. Thu, “Simultaneous context and motion learning in video prediction,” Signal, Image and Video Processing, pp. 1–10, 2023.
J. Zhang, Y. Xie, Y. Xia, and C. Shen, “Attention residual learning for skin lesion classification,” IEEE transactions on medical imaging, vol. 38, no. 9, pp. 2092–2103, 2019.
S. K. Datta, M. A. Shaikh, S. N. Srihari, and M. Gao, “Soft attention improves skin cancer classification performance,” in Interpretability of Machine Intelligence in Medical Image Computing, and Topological Data Analysis and Its Applications for Medical Data: 4th International Workshop, iMIMIC 2021, and 1st International Workshop, TDA4MedicalData 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, September 27, 2021, Proceedings 4. Springer, 2021, pp. 13–23.
D. M. Nguyen, T. T. Nguyen, H. Vu, Q. Pham, M.-D. Nguyen, B. T. Nguyen, and D. Sonntag, “Tatl: Task agnostic transfer learning for skin attributes detection,” Medical Image Analysis, vol. 78, p. 102359, 2022.
A. T. Huynh, V.-D. Hoang, S. Vu, T. T. Le, and H. D. Nguyen, “Skin cancer classification using different backbones of convolutional neural networks,” in International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems. Springer, 2022, pp. 160–172.
A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, M. Andreetto, and H. Adam, “Mobilenets: Efficient convolutional neural networks for mobile vision applications,” arXiv preprint arXiv:1704.04861, 2017.
G. Huang, Z. Liu, L. Van Der Maaten, and K. Q. Weinberger, “Densely connected convolutional networks,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, pp. 4700–4708.
K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” arXiv preprint arXiv:1409.1556, 2014.
C. Szegedy, S. Ioffe, V. Vanhoucke, and A. Alemi, “Inception-v4, inception-resnet and the impact of residual connections on learning,” in Proceedings of the AAAI conference on artificial intelligence, vol. 31, no. 1, 2017.
N. Gessert, M. Nielsen, M. Shaikh, R. Werner, and A. Schlaefer, “Skin lesion classification using ensembles of multi-resolution efficientnets with meta data,” MethodsX, vol. 7, p. 100864, 2020.
P. Tschandl, C. Rosendahl, and H. Kittler, “The ham10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions,” Scientific data, vol. 5, no. 1, pp. 1–9, 2018.
E. D. Cubuk, B. Zoph, J. Shlens, and Q. V. Le, “Randaugment: Practical automated data augmentation with a reduced search space,” in Proceedings of the IEEE/CVF conference on computer vision and pattern recognition workshops, 2020, pp. 702–703.
F. Wang, M. Jiang, C. Qian, S. Yang, C. Li, H. Zhang, X. Wang, and X. Tang, “Residual attention network for image classification,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, pp. 3156–3164.
J. Hu, L. Shen, and G. Sun, “Squeeze-and-excitation networks,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2018, pp. 7132–7141.
