论文阅读笔记(九)——A Smartphone-Based Skin Disease Classification Using MobileNet CNN

论文阅读笔记(九)——A Smartphone-Based Skin Disease Classification Using MobileNet CNN

前言

我又来了~

1 论文简介

1.1 关于文章

论文名称:A Smartphone-Based Skin Disease Classification Using MobileNet CNN

百度网盘:原文链接
提取码：shh2

1.2 关于模型

一种基于智能手机的皮肤病分类使用的移动网络CNN，应该是一个应用型文章

2 文章正文

2.1 摘要

利用MobileNet模型对7种皮肤病进行迁移学习，在Android应用程序上创建皮肤病分类系统。支持者总共收集了3406张图像，由于其类上的图像数量不相等，因此它被认为是不平衡数据集。通过不同的采样方法和输入数据的预处理，进一步提高了MobileNet的精度。采用欠采样方法和输入数据的默认预处理，达到了84.28%的精度。而使用不平衡数据集和输入数据的默认预处理，达到了93.6%的准确率。然后，研究人员对数据集进行过采样，模型的准确率达到了91.8%。最后，利用过采样技术和数据增强技术对输入数据进行预处理，获得了94.4%的准确率，并将该模型部署到开发的Android应用程序中。

2.2 Motivation&Contributions

PS: 这一段主要是方便我们以后写Introduction与Related Work

2.2.1 Motivation

菲律宾是一个热带国家，有热带海洋性气候，分为两个主要季节:雨季和旱季。它的平均温度为27-33摄氏度，相对湿度为77-83%。这些环境因素，再加上年龄、职业和免疫反应，导致菲律宾人皮肤病发病率很高。皮肤病的特征是通常始于体内或从皮肤开始，并向外表现在皮肤上的疾病。有些是非常罕见的，然而，其他的是经常发生。它们给人带来痒和痛，以及情感和社会影响，因为它的可见度。考虑到所有的因素，皮肤科医生保证，如果确诊为，大部分皮肤病是可以通过合法的药物控制的。因此，一种有效的皮肤病自动检测设计被皮肤科医生用来减少他们的工作量是非常值得期待的。近年来当大数据开始增加约2011,大数据是经常用5 vs:各种各样的数据类型,极端的数据量,速度必须处理的数据,数据的变化,数据的价值。大数据(Big Data)是一个术语，指任何复杂程度和规模超过传统数据处理应用能力的海量数据集的集合。临床和流行病学提供了利用大数据帮助创造科学进步的非凡研究机会。利用大数据和图像识别技术以及皮肤学领域可以为患者、皮肤科医生以及研究团体带来显著的帮助。皮肤科医生通过眼部检查就能诊断出许多皮肤病。利用人工智能和深度学习的底层技术进行诊断是合理的，因为这些条件都有其独特的视觉特征。在菲律宾流行并可能通过图像处理技术识别的皮肤病病例有水痘、痤疮、湿疹、玫瑰糠疹、牛皮癣、体癣和白癜风。研究人员在实现了一个基于人工神经网络的单级系统，以及一个多模型，多层次系统的湿疹检测。此外，ANN还应用于，通过指甲颜色检测某些循环系统疾病。类似的实现应用于疾病检测使用舌像。一种诊断阿尔茨海默病的方法是通过考虑患者的视网膜图像。同时，提出了一种利用人工神经网络和数字图像处理技术检测BCC疾病[的系统。这种检测是根据基底细胞癌的特殊特点进行的。该系统将能够正确识别癌的发生使用适当的阈值，百分比可靠性为93.33%。在[19]中，支持者使用Sobel操作符进行分割。三种不同的皮肤病选择:银屑病、脂溢性角化病和脓皮病。实验了两个特征集，其中一个特征集有86个颜色和纹理特征，另一个特征集有4182个颜色和纹理特征。使用86个特征的平均f -测量值为88.67%，使用4182个特征的平均f -测量值为84.81%。在中，研究人员使用支持向量机(SVM)对黑色素瘤皮肤癌进行分类。他们收集皮肤镜图像数据库，使用阈值分割，收集独特特征，计算总皮肤镜评分，然后使用SVM进行分类。他们得到的准确率是92.1%。

2.2.2 Contributions

研究人员得出结论，深度学习算法对于诊断皮肤病是可行的。本研究的目的是将深度神经网络算法应用于四种常见皮肤病的分类。研究人员从googleet Inception V3软件包中开发了这个算法。他们调整了最后一层，使用迁移学习添加了他们自己的数据集。第一个数据集的准确率为86.54±3.63%，第二个数据集的准确率为85±4.649%。我们建议通过收集从专业和公众可访问的网站、皮肤病学图集和手动拍摄的图像来直观地推断上述皮肤病，并通过迁移学习模型将每个图像分类为正确的皮肤病类别。总的来说，本研究的目的是设计一种在Android手机上的皮肤病分类系统应用程序，使用该数据集领域中预先训练的最高性能的卷积神经网络模型对不同的皮肤病进行分类。

数据设置

该数据集来自公共可访问的皮肤病学知识库，皮肤病学彩色图集和手动拍摄的组合。从网上公共访问皮肤病学知识库收集的图像是由皮肤科医生验证的。收集的数据图像包括痤疮、湿疹、玫瑰糠疹、牛皮癣、体癣、水痘和白癜风。

数据划分

对数据集进行划分，对每一类皮肤病进行训练和测试。训练数据占数据集的80%，而测试数据占20%。验证数据收集在列车数据或测试数据中，与测试数据相比，图像数量相同，如表1所示。

Training Algorithm

根据表2，支持者决定使用预先训练好的CNN MobileNet模型。移除模型的最终分类层，冻结另一层，并使用我们的数据集重新训练最后一层，微调该模型的参数。预处理输入图像的大小为224x224x3像素。为了拟合模型，使用了以下参数:学习速率是0.0001，激活是softmax，损失是分类交叉熵，优化器是Adam和epoch是30。

Inference algorithm

训练模型后，模型权重和体系结构可以用Keras文件扩展名。h5保存。为了将CNN模型正确地部署到Android应用程序中，.h5文件应该转换为一个文件扩展名为.pb的protobuff文件。在这个过程中，您需要冻结图形，生成一个.pb文件和一个包含已创建模型标签的txt文件。为了充分使用模型的推理，Tensorflow实用工具是使用的optimize_for_inference函数和这个模型可以成功加载到你的Android应用程序。图2显示了部署模型所需步骤的框图。

ANDROID APPLICATION

开发一款通过卷积神经网络深度学习识别皮肤病的Android智能手机应用程序有三个主要过程。这是对皮肤病变的捕捉，深度学习分析，并显示结果，如图3所示，应用程序的图形用户界面如图4所示。

RESULTS AND DISCUSSION

MobileNet versions

使用不平衡数据集和输入数据的默认预处理对MobileNet模型进行训练。混淆矩阵如图5-6所示，准确率为93.6%。表3显示了如何对列车数据和测试数据进行分区。


图7-8显示了在没有数据增强和使用过采样技术的情况下，模型的混淆矩阵。这说明了系统是如何将大部分银屑病测试图像误分类为痤疮的，然而模型的rank-1准确率仍然是91.8%。表4显示了在皮肤病数据集中如何使用过采样技术。


图9 - 10显示了使用数据增强和过采样技术的模型的混淆矩阵。尽管如此，这表明了系统是如何将大部分银屑病测试图像误分类为痤疮和玫瑰糠疹的，但从对银屑病的75%的准确率，准确率上升到80%，以及模型的排名1的准确率，现在是94.4%。表5显示了如何在皮肤病数据集上实现数据增强。

Saliency Maps

显著性映射可用于可视化模型如何预测具有给定输入的每个类。生成的热图提供了一种直观可视化的方法，在诊断时，模型关注最多的像素位置。可以看出，该模型大多集中在病灶所在的位置。

CONCLUSION

该项目在确定7种皮肤病方面达到了94.4%的准确性。使用欠采样方法和输入数据的默认预处理，对测试数据集的准确率达到84.28%。而使用不平衡数据集和输入数据的默认预处理，准确率达到93.6%。然后，研究人员使用过采样，模型获得了91.8%的准确性。最后，使用过采样和数据增强技术提供了94.4%的精度。综上所述，为了提高模型的准确性，可以探索不同的采样技术和输入数据的预处理。在我们的研究中，使用过采样和数据增强产生最准确的结果。

收获

应用型文章蛮好发的