Mobilenet V2およびLSTMを使用した深い学習ニューラルネットワークを使用した皮膚疾患の分類

ディープラーニングモデルは、複雑なパターンを正確に理解するのに役立つ機能を学習するのに効率的です。この研究では、深い学習ベースのMobileNet V2および長期記憶（LSTM）を通じて皮膚疾患を分類するコンピューター化されたプロセスを提案しました。Mobilenet V2モデルは、軽量の計算デバイスで動作する精度が向上し、効率的であることが証明されました。提案されたモデルは、正確な予測のためにステートフルな情報を維持するのに効率的です。病気の成長の進行を評価するために、灰色レベルの共起マトリックスが使用されています。このパフォーマンスは、微調整されたニューラルネットワーク（FTNN）、畳み込みニューラルネットワーク（CNN）、Visual Geometryグループ（VGGによって開発された大規模な画像認識のための非常に深い畳み込みネットワークなど、他の最先端モデル）と比較されています。）、および畳み込み型ニューラルネットワークアーキテクチャは、ほとんど変更されていない拡張されています。HAM10000データセットが使用され、提案された方法は85％以上の精度で他の方法よりも優れています。従来のMobileNetモデルよりもほぼ2倍の低い計算で、影響を受ける領域をはるかに高速に認識することにおけるその堅牢性は、最小限の計算努力をもたらします。さらに、モバイルアプリケーションは、即時かつ適切なアクション用に設計されています。それは、患者と皮膚科医が皮膚疾患の初期段階で影響を受けた地域の画像から疾患の種類を特定するのに役立ちます。これらの発見は、提案されたシステムが一般開業医が皮膚の状態を効率的かつ効果的に診断し、それによってさらなる合併症と罹患率を減らすのに役立つことを示唆しています。

Deep learning models are efficient in learning the features that assist in understanding complex patterns precisely. This study proposed a computerized process of classifying skin disease through deep learning based MobileNet V2 and Long Short Term Memory (LSTM). The MobileNet V2 model proved to be efficient with a better accuracy that can work on lightweight computational devices. The proposed model is efficient in maintaining stateful information for precise predictions. A grey-level co-occurrence matrix is used for assessing the progress of diseased growth. The performance has been compared against other state-of-the-art models such as Fine-Tuned Neural Networks (FTNN), Convolutional Neural Network (CNN), Very Deep Convolutional Networks for Large-Scale Image Recognition developed by Visual Geometry Group (VGG), and convolutional neural network architecture that expanded with few changes. The HAM10000 dataset is used and the proposed method has outperformed other methods with more than 85% accuracy. Its robustness in recognizing the affected region much faster with almost 2× lesser computations than the conventional MobileNet model results in minimal computational efforts. Furthermore, a mobile application is designed for instant and proper action. It helps the patient and dermatologists identify the type of disease from the affected region's image at the initial stage of the skin disease. These findings suggest that the proposed system can help general practitioners efficiently and effectively diagnose skin conditions, thereby reducing further complications and morbidity.