NHẬN DẠNG HÌNH ẢNH VỚI DỮ LIỆU MẤT CÂN BẰNG DỰA TRÊN HỌC SÂU

Trần Văn Thành; Nguyễn Văn Đài; Hà Mạnh Toàn; Dương Thị Nhung

doi:10.34238/tnu-jst.12337

NHẬN DẠNG HÌNH ẢNH VỚI DỮ LIỆU MẤT CÂN BẰNG DỰA TRÊN HỌC SÂU

Thông tin bài báo

Ngày nhận bài: 19/03/25 Ngày hoàn thiện: 09/05/25 Ngày đăng: 10/05/25

Các tác giả

1. Trần Văn Thành, Trường Đại học Lạc Hồng
2. Nguyễn Văn Đài, Trường Đại học Khoa học Tự nhiên - ĐH Quốc gia Hà Nội
3. Hà Mạnh Toàn, Viện Công nghệ thông tin - Viện Hàn lâm Khoa học và Công nghệ Việt Nam
4. Dương Thị Nhung , Đại học Thái Nguyên

Tóm tắt

Ung thư da là vấn đề sức khỏe nghiêm trọng đối với xã hội và người bệnh sẽ dễ dàng phải đối mặt với những tình huống nguy hiểm nếu không được phát hiện sớm. Để góp phần giải quyết, nghiên cứu này được thực hiện hướng đến việc tự động phân loại ảnh tổn thương da. Các thử nghiệm được tiến hành trên bộ HAM10000 với 7 loại tổn thương khác nhau và có sự mất cân bằng đáng kể giữa các lớp. Theo đó, nghiên cứu của chúng tôi tập trung vào việc xử lý mất cân bằng dữ liệu, giúp tăng sự hiệu quả trong việc nhận dạng các lớp thiểu số nhưng vẫn cần đảm bảo hiệu năng trên các lớp đa số. Chúng tôi cũng tiến hành thử nghiệm có tính toàn diện và so sánh với ConvNeXtTiny, DenseNet 201, Inception-ResNet-v2, và MobileNet-v3 Small để thảo luận làm rõ giả thuyết. Nghiên cứu đã khẳng định ưu thế vượt trội của phương pháp đề xuất với độ chính xác cân bằng cao nhất là 0,7584 và độ chính xác trên toàn tập 0,8408 cho mô hình ConvNeXtTiny.

Từ khóa

Phát hiện tổn thương da; Dữ liệu mất cân bằng; HAM10000; Mạng nơ ron tich chập; Độ chính xác cân bằng

Toàn văn:

PDF

Tài liệu tham khảo

[1] World Health Organization, "Cancer today: Data visualization tools for exploring the global cancer burden in 2022," International Agency for Research on Cancer, 2022. [Online]. Available: https://gco.iarc.who.int/media/globocan/factsheets/populations/900-world-fact-sheet.pdf. [Accessed March. 13, 2025].

[2] American Cancer Society, "Cancer Facts & Figures 2022," American Cancer Society, Atlanta, GA, 2022. [Online]. Available: https://www.cancer.org/content/dam/cancer-org/research/cancer-facts-and-statistics/annual-cancer-facts-and-figures/2022/2022-cancer-facts-and-figures.pdf. [Accessed March. 13, 2025].

[3]European Cancer Information System, Estimates of cancer incidence and mortality in 2022, European Commission, Joint Research Centre, 2022.

[4] H. Koh et al., "Changing epidemiology of skin cancer in Asia," Journal of Dermatological Science, vol. 94, no. 1, pp. 2-9, 2019.

[5] G. P. Guy et al., "Annual total cost of skin cancer treatment in the U.S.," American Journal of Preventive Medicine, vol. 48, no. 2, pp. 183-187, 2015.

[6] A. C. Society, "Survival Rates for Melanoma Skin Cancer," American Cancer Society Medical Content and News, 2022.

[7] N. C. F. Codella et al., "Skin lesion analysis toward melanoma detection: A challenge at the 2017 International symposium on biomedical imaging (ISBI)," in 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018), 2018,pp. 168-172.

[8] M. E. Celebi et al., "A methodological approach to the classification of dermoscopy images," Computerized Medical Imaging and Graphics, vol. 31, no. 6, pp. 362-373, 2007.

[9] A. Esteva et al., "Dermatologist-level classification of skin cancer with deep neural networks," Nature, vol. 542, no. 7639, pp. 115-118, 2017.

[10] S. R. Hassan, S. Afroge, and M. Mizan, “Skin lesion classification using densely connected convolutional network,” in 2020 IEEE Region 10 Symposium (TENSYMP), 2020,pp. 750-753.

[11] X. Zhang et al., "Multi-class skin lesion classification using deep learning with attention mechanism," Computers in Biology and Medicine, vol. 129, 2021, Art. no. 104380.

[12] S. S. Chaturvedi, K. Gupta, and P. S. Prasad, “Skin lesion analyser: An efficient seven-way multi-class skin cancer classification using mobilenet,” in International Conference on Advanced Machine Learning Technologies and Applications. Springer, 2020, pp. 165-176.

[13] M. Lucius, J. De All, J. A. De All, M. Belvisi, L. Radizza, M. Lanfranconi, V. Lorenzatti, and C. M. Galmarini, “Deep Neural Frameworks Improve the Accuracy of General Practitioners in the Classification of Pigmented Skin Lesions,” Diagnostics, vol. 10, no. 11, Nov. 2020, Art. no. 969, doi: 10.3390/diagnostics10110969.

[14] P. Tschandl et al., "The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions," Scientific Data, vol. 5, 2018, Art. no. 180161.

[15] N. V. Chawla et al., "SMOTE: Synthetic Minority Over-sampling Technique," Journal of Artificial Intelligence Research, vol. 16, pp. 321-357, 2002.

[16] H. He and E. A. Garcia, "Learning from Imbalanced Data," IEEE Transactions on Knowledge and Data Engineering, vol. 21, no. 9, pp. 1263-1284, 2009.

[17] B. Krawczyk, "Learning from imbalanced data: open challenges and future directions," Progress in Artificial Intelligence, vol. 5, no. 4, pp. 221-232, 2016.

[18] T. Y. Lin et al., "Focal Loss for Dense Object Detection," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 42, no. 2, pp. 318-327, 2020.

[19] J. Wang et al., "Automated skin lesion classification using deep learning for skin cancer detection," Medical & Biological Engineering & Computing, vol. 58, pp. 1665-1679, 2020.

[20] Z.Liu et al.,“A ConvNet for the 2020s,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2022, pp. 11976-11986.

[21] G. Huang et al.,“Densely connected convolutional networks,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, pp. 4700-4708.

[22] C. Szegedy, S. Ioffe, V. Vanhoucke, and A. A. Alemi, "Inception-v4, inception-resnet and the impact of residual connections on learning," in Thirty-first AAAI conference on artificial intelligence,2017, pp.4278 - 4284.

[23] A. Howard, M. Sandler, G. Chu, L.-C. Chen, B. Chen, M. Tan, W. Wang, Y. Zhu, R. Pang, V. Vasudevan, Q. V. Le, and H. Adam, "Searching for MobileNetV3," in Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 2019,pp. 1314-1324.

[24]Y. Cuiet et al.,“Class-Balanced Loss Based on Effective Number of Samples,”arXiv preprint arXiv:1901.05555, 2019, pp. 9268-9277.

[25] D. P. Kingma and J. Ba, “Adam: A method for stochastic optimization,” arXiv preprint arXiv:1412.6980, 2014, pp. 1-13.

DOI: https://doi.org/10.34238/tnu-jst.12337

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ