CHẨN ĐOÁN CÁC TỔN THƯƠNG DA DỰA TRÊN THUẬT TOÁN PHÂN ĐOẠN ẢNH BẰNG ĐỒ THỊ

Thái Gia Bảo, Phạm Hoài Nhân, Nguyễn Phương Nam, Nguyễn Minh Hải

Tóm tắt


Da là cơ quan lớn nhất và vỏ bọc bên ngoài của cơ thể con người. Với 7 lớp bảo vệ các cơ quan bên trong, da đóng vai trò quan trọng và cần được chăm sóc. Tình trạng da liên quan đến sức khỏe da và bao gồm nhiều loại bệnh da, trong đó việc phân loại là một thách thức đối với các bác sĩ. Họ đã xem xét các hệ thống máy học để dự đoán và phân loại các tình trạng da này, nhằm hỗ trợ việc chữa bệnh hoặc giảm thiểu tác động. Nếu các triệu chứng như mụn trứng cá, viêm da, nhiễm nấm candida, thủy đậu, xơ cứng bì, nấm da, bệnh vẩy nến, viêm da, và các tình trạng khác không được điều trị sớm, chúng có thể gây ra các vấn đề sức khỏe nghiêm trọng và thậm chí tử vong. Phân đoạn ảnh là một phương pháp hỗ trợ phát hiện bệnh da bên ngoài. Các thuật toán cắt đồ thị đã được thảo luận và sử dụng trong nhiều ứng dụng khác nhau, bao gồm làm mờ hình ảnh, phân đoạn hình ảnh và các vấn đề liên quan đến tiêu thụ năng lượng. Trong bài báo này, một thuật toán cắt đồ thị động mới được chúng tôi đề xuất để phân đoạn tổn thương da, sau đó sử dụng bộ phân loại xác suất Naïve Bayes để phân loại các bệnh da. Phương pháp tiếp cận được chúng tôi thực nghiệm trên bộ dữ liệu ISIC 2017 và nhận thấy kết quả vượt trội so với nhiều phương pháp hiện đại khác.


Từ khóa


Bayes; cắt đồ thị; phân loại ảnh; tổn thương da

Toàn văn:

PDF

Trích dẫn


Ali, A.-R., Couceiro, M. S., & Hassenian, A. E. (2014). Melanoma detection using fuzzy C-means clustering coupled with mathematical morphology. In 2014 14th International Conference on Hybrid Intelligent Systems. https://doi.org/10.1109/HIS.2014.7086175

Ambad, P. S., & Shirsat, A. (2016). A image analysis system to detect skin diseases. IOSR Journal of VLSI Signal Processing, 6(5), 17-25.

Eriksson, A. P., Barr, O., & Astrom, K. (2006). Image segmentation using minimal graph cuts. In SSBA Symposium on Image Analysis (pp. 16-17). https://eprints.qut.edu.au/108194/1/108194.pdf

Felzenszwalb, P. F., & Huttenlocher, D. P. (2004). Efficient graph-based image segmentation. International Journal of Computer Vision, 59, 167-181.

Ghosh, S., Das, N., Das, I., & Maulik, U. (2019). Understanding deep learning techniques for image segmentation. ACM computing surveys, 52(4), 1-35.

Harangi, B. (2018). Skin lesion classification with ensembles of deep convolutional neural networks. Journal of biomedical informatics, 86, 25-32.

Hoshyar, A. N., Al-Jumaily, A., & Hoshyar, A. N. (2014). Comparing the performance of various filters on skin cancer images. Procedia computer science, 42, 32-37.

Huynh, A. T., Hoang, V.-D., Vu, S., Le, T. T., & Nguyen, H. D. (2022). Skin Cancer Classification Using Different Backbones of Convolutional Neural Networks. In Advances and Trends in Artificial Intelligence. Theory and Practices in Artificial Intelligence: 35th International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems, IEA/AIE 2022, Kitakyushu, Japan, July 19–22, 2022, Proceedings (pp. 160-172). Springer-Verlag. https://doi.org/10.1007/978-3-031-08530-7_14

Kolkur, S., Kalbande, D., Shimpi, P., Bapat, C., & Jatakia, J. (2016). Human Skin Detection Using RGB, HSV and YCbCr Color Models. In Proceedings of the International Conference on Communication and Signal Processing 2016 (ICCASP 2016). https://doi.org/10.2991/iccasp-16.2017.51

Liao, H. (2016). A Deep Learning Approach to Universal Skin Disease Classification. CSC 400 - Graduate Problem Seminar - Project Report.

Liu, X., Deng, Z., & Yang, Y. (2019). Recent progress in semantic image segmentation. Artificial Intelligence Review, 52, 1089-1106.

Maglogiannis, I., Zafiropoulos, E., & Kyranoudis, C. (2006). Intelligent Segmentation and Classification of Pigmented Skin Lesions in Dermatological Images. In G. Antoniou, G. Potamias, C. Spyropoulos, & D. Plexousakis (Eds.), Advances in Artificial Intelligence. SETN 2006. Lecture Notes in Computer Science (Vol. 3955). Springer, Berlin, Heidelberg. https://doi.org/10.1007/11752912_23

Mansour, A. M. (2018). Texture classification using Naïve Bayes classifier. International Journal of Computer Science and Network Security, 18(1), 112-120. http://paper.ijcsns.org/07_book/201801/20180113.pdf

Mendes, D. B., & da Silva, N. C. (2018). Skin Lesions Classification Using Convolutional Neural Networks in Clinical Images. arXiv Preprint. https://doi.org/10.48550/arXiv.1812.02316

Subramanian, R. R., Achuth, D., Kumar, P. S., Reddy, K. N. K., Amara, S., & Chowdary, A. S. (2021). Skin cancer classification using Convolutional neural networks. In 2021 11th International Conference on Cloud Computing, Data Science & Engineering (Confluence) (pp. 13-19). https://doi.org/10.1109/Confluence51648.2021.9377155

Sumithra, R., Suhil, M., & Guru, D. (2015). Segmentation and classification of skin lesions for disease diagnosis. Procedia computer science, 45, 76-85.

Tran, N. N., Nguyen, H. D., Huynh, N. T., Tran, N. P., & Nguyen, L. V. (2022). Segmentation on chest CT imaging in COVID-19 based on the improvement attention U-Net model. In New Trends in Intelligent Software Methodologies, Tools and Techniques (pp. 596-606), IOS Press.

Wei, L., Gan, Q., & Ji, T. (2018). Skin Disease Recognition Method Based on Image Color and Texture Features. Computational and Mathematical Methods in Medicine, 2018, Article 8145713. https://doi.org/10.1155/2018/8145713

Yi, F., & Moon, I. (2012). Image segmentation: A survey of graph-cut methods. In 2012 International Conference on Systems and Informatics (ICSAI2012) (pp. 1936-1941). https://doi.org/10.1109/ICSAI.2012.6223428

Zaqout, I. (2019). Diagnosis of Skin Lesions Based on Dermoscopic Images Using Image Processing Techniques. In Pattern Recognition - Selected Methods and Applications (pp. 1-16). IntechOpen. https://doi.org/10.5772/intechopen.88065




DOI: https://doi.org/10.54607/hcmue.js.20.10.3899(2023)

Tình trạng

  • Danh sách trống