Convolutional Neural Networks Towards Facial Skin Lesions Detection

要約

顔分析は、美容整形プログラム、美容業界、写真、エンターテインメントなど、さまざまな応用分野を持つ著名な研究分野として浮上しています。
患者の画像を操作するには、多くの場合、専門的な画像処理ソフトウェアが必要になります。
この研究は、畳み込みニューラル ネットワークと機械学習アプローチを通じて、顔画像上のシミや皮膚病変の検出を容易にするモデルを提供することで貢献します。
提案された方法は、従来の方法に伴う複雑さを回避しながら、シンプルなアーキテクチャ、速度、画像処理への適合性などの利点を提供します。
このモデルは、領域の選択、選択した領域のスキャン、病変の診断、特定された病変のマークという 4 つの主要なステップで構成されます。
この研究の生データは、スキンケアと美容サービスを専門とするテヘランの評判の良いクリニックから収集されました。
データセットには、管理情報、臨床データ、顔画像とプロフィール画像が含まれます。
この生データから合計 2,300 枚の患者画像が抽出されました。
2 人の治療専門家からの意見をもとに、病変を切り取ってラベルを付けるソフトウェア ツールが開発されました。
病変の準備段階では、選択された領域が 50 * 50 ピクセルに標準化されました。
その後、畳み込みニューラル ネットワーク モデルが病変のラベル付けに使用されました。
この分類モデルは、健康な皮膚の特異性が 0.98、病変のある皮膚の特異性が 0.97 という高い精度を示しました。
内部検証にはパフォーマンス指標と相互検証が含まれ、外部検証ではモデルのパフォーマンス指標と Vgg16 ディープ ネットワーク モデルを使用した転移学習法のパフォーマンス指標が比較されました。
既存の研究と比較して、この研究の結果は、提案されたモデルと方法論の有効性と望ましさを示しています。

要約(オリジナル)

Facial analysis has emerged as a prominent area of research with diverse applications, including cosmetic surgery programs, the beauty industry, photography, and entertainment. Manipulating patient images often necessitates professional image processing software. This study contributes by providing a model that facilitates the detection of blemishes and skin lesions on facial images through a convolutional neural network and machine learning approach. The proposed method offers advantages such as simple architecture, speed and suitability for image processing while avoiding the complexities associated with traditional methods. The model comprises four main steps: area selection, scanning the chosen region, lesion diagnosis, and marking the identified lesion. Raw data for this research were collected from a reputable clinic in Tehran specializing in skincare and beauty services. The dataset includes administrative information, clinical data, and facial and profile images. A total of 2300 patient images were extracted from this raw data. A software tool was developed to crop and label lesions, with input from two treatment experts. In the lesion preparation phase, the selected area was standardized to 50 * 50 pixels. Subsequently, a convolutional neural network model was employed for lesion labeling. The classification model demonstrated high accuracy, with a measure of 0.98 for healthy skin and 0.97 for lesioned skin specificity. Internal validation involved performance indicators and cross-validation, while external validation compared the model’s performance indicators with those of the transfer learning method using the Vgg16 deep network model. Compared to existing studies, the results of this research showcase the efficacy and desirability of the proposed model and methodology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google