In-Depth Analysis of Automated Acne Disease Recognition and Classification

要約

顔のにきびは、特に青少年の間で一般的な病気であり、身体的および心理的に悪影響を及ぼします。
にきびの分類は、適切な治療を提供するために不可欠です。
従来の目視検査または専門家スキャンは時間がかかり、にきびの種類を区別するのが困難です。
このペーパーでは、にきびの認識と分類のための自動エキスパートシステムを紹介します。
提案された方法では、機械学習ベースの技術を採用して、6種類のにきび疾患を分類および評価して、皮膚科医の診断を促進します。
前処理フェーズには、コントラストの改善、スムージングフィルター、およびRGBからL*a*b色変換が含まれ、ノイズを排除し、分類精度を向上させます。
次に、クラスタリングベースのセグメンテーション法であるK-meansクラスタリングが、特徴抽出ステップを通過する疾患の影響を受けた領域のセグメント化に適用されます。
これらの病気の影響を受けた領域の特性は、グレーレベルの共起マトリックス（GLCM）と統計的特徴の組み合わせに基づいて抽出されます。
最後に、にきび疾患を分類するために5つの異なる機械学習分類器が採用されています。
実験結果は、ランダムフォレスト（RF）が98.50％の最高精度を達成することを示しており、これは最先端の方法と比較して有望です。

要約(オリジナル)

Facial acne is a common disease, especially among adolescents, negatively affecting both physically and psychologically. Classifying acne is vital to providing the appropriate treatment. Traditional visual inspection or expert scanning is time-consuming and difficult to differentiate acne types. This paper introduces an automated expert system for acne recognition and classification. The proposed method employs a machine learning-based technique to classify and evaluate six types of acne diseases to facilitate the diagnosis of dermatologists. The pre-processing phase includes contrast improvement, smoothing filter, and RGB to L*a*b color conversion to eliminate noise and improve the classification accuracy. Then, a clustering-based segmentation method, k-means clustering, is applied for segmenting the disease-affected regions that pass through the feature extraction step. Characteristics of these disease-affected regions are extracted based on a combination of gray-level co-occurrence matrix (GLCM) and Statistical features. Finally, five different machine learning classifiers are employed to classify acne diseases. Experimental results show that the Random Forest (RF) achieves the highest accuracy of 98.50%, which is promising compared to the state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google