Розробка моделі раннього виявлення захворювань шкіри за допомогою гібридної глибокої нейронної мережі для підвищення незалежності здоров'я в прибережних громадах

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2024.313983

Ключові слова:

гібридна глибока нейронна мережа, EfficiveNetB7, Yolov8, захворювання шкіри, прибережні громади, здоров'я

Анотація

Об'єктом дослідження є рішення для ранньої діагностики захворювань шкіри шляхом інтеграції гібридних глибоких нейронних мереж – effienceNetB7 для класифікації та Yolov8 для виявлення. Система призначена для класифікації п’яти шкірних станів: меланома, базальний клітинний рак, меланома – це тип раку шкіри, який походить від меланоцитів, клітини, які виробляють пігмент шкіри, Melanocytic Nevi (NV). Melanocytic Nevi - це мольне або темне місце на шкірі, що утворюється внаслідок накопичення меланоцитів, доброякісні кератозо-подібні ураження є терміном для групи змін шкіри, що нагадують кератоз, але є не раковими, а себорейні кератози та інші доброякісні пухлини використовують для підвищення діагностики здоров'я для здоров'я. Проблема, яку слід вирішити в цьому дослідженні, обертається навколо вдосконалення ранньої та точної діагностики захворювань шкіри, особливо в обмежених ресурсах або недооцінених областях та відсутності доступних діагностичних інструментів та низької ефективності поточних діагностичних методів. Дослідження підкреслює точність класифікації EfficiveNETB7 на 94 %, а середня точність Yolov8 - 0,812. Ця гібридна система ефективно обробляє зображення шкіри, забезпечуючи класифікацію та результати виявлення з послідовною продуктивністю в декількох тестах. Результати демонструють, що модель efficiveNetB7 досягла точності 94 % на тестових даних, тоді як Yolov8 забезпечив продуктивність виявлення із середньою середньою точністю (MAP) 0,812. Веб-система ефективно обробляла зображення шкіри та надала класифікацію та результати виявлення.

Крім того, інтеграція efficiveNetB7 та Yolov8 дозволила системі виявлення захворювань шкіри класифікувати п'ять різних захворювань та оцінити ризик злоякісності. Системи є портативними і можуть використовуватися з мінімальною установкою, що робить їх практичними для реального діагностичного використання. Обсяг та практичні програми розроблені для доступності у обмежених ресурсах налаштувань. Інструмент виявлення х захворювань шкіри на основі веб-сайтів забезпечує зручну для користувачів платформу, доступну для громадських та медичних працівників, особливо в районах з поганими ресурсами. Висока точність та простота використання кожної програми робить їх життєздатними посібниками в ранній діагностиці, що потенційно покращує доступ до охорони здоров'я

Біографії авторів

Tengku Henny Febriana Harumy, Universitas Sumatera Utara

Lecturer

Department of Computer Science

Dewi Sartika Br Ginting, Universitas Sumatera Utara

Lecturer

Department of Computer Science

Fuzy Yustika Manik, Universitas Sumatera Utara

Lecturer

Department of Computer Science

Alkhowarizmi Alkhowarizmi, Universitas Muhammadiyah Sumatera Utara

Lecturer

Department of Computer Science

Посилання

  1. Liopyris, K., Gregoriou, S., Dias, J., Stratigos, A. J. (2022). Artificial Intelligence in Dermatology: Challenges and Perspectives. Dermatology and Therapy, 12 (12), 2637–2651. https://doi.org/10.1007/s13555-022-00833-8
  2. He, Z., Marrone, G., Ou, A., Liu, H., Ma, L., Huang, Y. et al. (2020). Factors affecting health-related quality of life in patients with skin disease: cross-sectional results from 8,789 patients with 16 skin diseases. Health and Quality of Life Outcomes, 18 (1). https://doi.org/10.1186/s12955-020-01542-6
  3. Prasitpuriprecha, N., Santaweesuk, S., Boonkert, P., Chamnan, P. (2022). Prevalence and DALYs of skin diseases in Ubonratchathani based on real-world national healthcare service data. Scientific Reports, 12 (1). https://doi.org/10.1038/s41598-022-20237-0
  4. Paithankar, V., Uprit, I., Bairagi, A., Zoting, H., Katarnavare, A. (2023). Skin Disease Identification using Image Processing. International Journal of Advanced Research in Science, Communication and Technology, 3 (2), 225–227. https://doi.org/10.48175/ijarsct-8687
  5. Ramadan, R., Aly, S. (2022). CU-Net: A New Improved Multi-Input Color U-Net Model for Skin Lesion Semantic Segmentation. IEEE Access, 10, 15539–15564. https://doi.org/10.1109/access.2022.3148402
  6. Abdelhafeez, A., Mohamed, H. K., Maher, A., Khalil, N. A. (2023). A novel approach toward skin cancer classification through fused deep features and neutrosophic environment. Frontiers in Public Health, 11. https://doi.org/10.3389/fpubh.2023.1123581
  7. Salma, W., Eltrass, A. S. (2022). Automated deep learning approach for classification of malignant melanoma and benign skin lesions. Multimedia Tools and Applications, 81 (22), 32643–32660. https://doi.org/10.1007/s11042-022-13081-x
  8. Gound, R. S., Gadre, P. S., Gaikwad, J. B., Wagh, P. K. (2018). Skin Disease Diagnosis System using Image Processing and Data Mining. International Journal of Computer Applications, 179 (16), 38–40. https://doi.org/10.5120/ijca2018916253
  9. Rao, T. K., Chamanthi, P., Kumar, N. T., Amulya, R. L., Sagar, M. U. (2023). Skin Disease Detection Using Machine Learning. International Journal of Food and Nutritional Sciences, 11 (12). https://doi.org/10.48047/ijfans/v11/i12/171
  10. Nguyen, V. D., Bui, N. D., Do, H. K. (2022). Skin Lesion Classification on Imbalanced Data Using Deep Learning with Soft Attention. Sensors, 22 (19), 7530. https://doi.org/10.3390/s22197530
  11. Alsahafi, Y. S., Kassem, M. A., Hosny, K. M. (2023). Skin-Net: a novel deep residual network for skin lesions classification using multilevel feature extraction and cross-channel correlation with detection of outlier. Journal of Big Data, 10 (1). https://doi.org/10.1186/s40537-023-00769-6
  12. Hosseinzadeh, M., Hussain, D., Zeki Mahmood, F. M., Alenizi, F., Varzeghani, A. N., Asghari, P. et al. (2024). A model for skin cancer using combination of ensemble learning and deep learning. PLOS ONE, 19 (5), e0301275. https://doi.org/10.1371/journal.pone.0301275
  13. Sharma, A. K., Tiwari, S., Aggarwal, G., Goenka, N., Kumar, A., Chakrabarti, P. et al. (2022). Dermatologist-Level Classification of Skin Cancer Using Cascaded Ensembling of Convolutional Neural Network and Handcrafted Features Based Deep Neural Network. IEEE Access, 10, 17920–17932. https://doi.org/10.1109/access.2022.3149824
  14. Zhang, X., Wang, S., Liu, J., Tao, C. (2018). Towards improving diagnosis of skin diseases by combining deep neural network and human knowledge. BMC Medical Informatics and Decision Making, 18 (S2). https://doi.org/10.1186/s12911-018-0631-9
  15. Wan, L., Ai, Z., Chen, J., Jiang, Q., Chen, H., Li, Q. et al. (2022). Detection algorithm for pigmented skin disease based on classifier-level and feature-level fusion. Frontiers in Public Health, 10. https://doi.org/10.3389/fpubh.2022.1034772
  16. Foahom Gouabou, A. C., Collenne, J., Monnier, J., Iguernaissi, R., Damoiseaux, J.-L., Moudafi, A., Merad, D. (2022). Computer Aided Diagnosis of Melanoma Using Deep Neural Networks and Game Theory: Application on Dermoscopic Images of Skin Lesions. International Journal of Molecular Sciences, 23 (22), 13838. https://doi.org/10.3390/ijms232213838
  17. Tahir, M., Naeem, A., Malik, H., Tanveer, J., Naqvi, R. A., Lee, S.-W. (2023). DSCC_Net: Multi-Classification Deep Learning Models for Diagnosing of Skin Cancer Using Dermoscopic Images. Cancers, 15 (7), 2179. https://doi.org/10.3390/cancers15072179
  18. Efimenko, M., Ignatev, A., Koshechkin, K. (2020). Review of medical image recognition technologies to detect melanomas using neural networks. BMC Bioinformatics, 21 (S11). https://doi.org/10.1186/s12859-020-03615-1
  19. Lyakhov, P. A., Lyakhova, U. A., Nagornov, N. N. (2022). System for the Recognizing of Pigmented Skin Lesions with Fusion and Analysis of Heterogeneous Data Based on a Multimodal Neural Network. Cancers, 14 (7), 1819. https://doi.org/10.3390/cancers14071819
  20. Han, S. S., Moon, I. J., Lim, W., Suh, I. S., Lee, S. Y., Na, J.-I. et al. (2020). Keratinocytic Skin Cancer Detection on the Face Using Region-Based Convolutional Neural Network. JAMA Dermatology, 156 (1), 29. https://doi.org/10.1001/jamadermatol.2019.3807
  21. Rasel, M. A., Obaidellah, U. H., Kareem, S. A. (2022). Convolutional Neural Network-Based Skin Lesion Classification With Variable Nonlinear Activation Functions. IEEE Access, 10, 83398–83414. https://doi.org/10.1109/access.2022.3196911
  22. Ding, J., Song, J., Li, J., Tang, J., Guo, F. (2022). Two-Stage Deep Neural Network via Ensemble Learning for Melanoma Classification. Frontiers in Bioengineering and Biotechnology, 9. https://doi.org/10.3389/fbioe.2021.758495
  23. Hoefler, T., Alistarh, D., Ben-Nun, T., Dryden, N., Peste, A. (2021). Sparsity in deep learning: Pruning and growth for efficient inference and training in neural networks. Journal of Machine Learning Research, 22. Available at: https://jmlr.org/papers/volume22/21-0366/21-0366.pdf
  24. Saleem Abdullah, S. M., Abdulazeez, A. M. (2021). Facial Expression Recognition Based on Deep Learning Convolution Neural Network: A Review. Journal of Soft Computing and Data Mining, 02 (01). https://doi.org/10.30880/jscdm.2021.02.01.006
  25. Bhanumathi, M., Dhanya, S., Gugan, R., Kirthika, K. G. (2022). Marine Plastic Detection Using Deep Learning. Advances in Parallel Computing Algorithms, Tools and Paradigms, 406–413. https://doi.org/10.3233/apc220057
  26. Harumy, T., Ginting, D. S. Br. (2021). Neural Network Enhancement Forecast of Dengue Fever Outbreaks in Coastal Region. Journal of Physics: Conference Series, 1898 (1), 012027. https://doi.org/10.1088/1742-6596/1898/1/012027
  27. Ginting, D. S. B., Harumy, T. H. F., Nasution, F. A. F., Siregar, M. E. S. (2021). Analysis Skin Health Patterns in Highlands Area with Apriori and Bayes Contributions. 2021 International Conference on Data Science, Artificial Intelligence, and Business Analytics (DATABIA), 83–87. https://doi.org/10.1109/databia53375.2021.9650158
  28. Harumy, T. H. F., Chan, H. Y., Sodhy, G. C. (2020). Prediction for Dengue Fever in Indonesia Using Neural Network and Regression Method. Journal of Physics: Conference Series, 1566 (1), 012019. https://doi.org/10.1088/1742-6596/1566/1/012019
  29. Harumy, T. H. F., Yustika Manik, F., Altaha (2021). Optimization Classification of Diseases Which is Dominant Suffered by Coastal Areas Using Neural Network. 2021 International Conference on Data Science, Artificial Intelligence, and Business Analytics (DATABIA), 136–141. https://doi.org/10.1109/databia53375.2021.9650223
Розробка моделі раннього виявлення захворювань шкіри за допомогою гібридної глибокої нейронної мережі для підвищення незалежності здоров'я в прибережних громадах

##submission.downloads##

Опубліковано

2024-12-27

Як цитувати

Harumy, T. H. F., Br Ginting, D. S., Manik, F. Y., & Alkhowarizmi, A. (2024). Розробка моделі раннього виявлення захворювань шкіри за допомогою гібридної глибокої нейронної мережі для підвищення незалежності здоров’я в прибережних громадах. Eastern-European Journal of Enterprise Technologies, 6(9 (132), 71–85. https://doi.org/10.15587/1729-4061.2024.313983

Номер

Том 6 № 9 (132) (2024): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2024 Tengku Henny Febriana Harumy, Dewi Sartika Br Ginting, Fuzy Yustika Manik, Alkhowarizmi Alkhowarizmi

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.