PHƯƠNG PHÁP CẢI THIỆN ĐỘ CHÍNH XÁC CỦA MÔ HÌNH VGG19 HỌC CHUYỂN GIAO TRONG PHÂN LOẠI BỆNH DA
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.15003Tóm tắt
Bài báo này đề xuất một phương pháp cải tiến dựa trên mô hình học sâu VGG19 kết hợp học chuyển giao nhằm nâng cao hiệu quả phân loại các bất thường da liễu từ hình ảnh lâm sàng. Trong phương pháp đề xuất, kỹ thuật tiền xử lý ảnh Contrast Limited Adaptive Histogram Equalization (CLAHE) được áp dụng để tăng cường độ tương phản và làm nổi bật các chi tiết quan trọng trong ảnh, qua đó cải thiện chất lượng dữ liệu đầu vào cho mô hình, khối Squeeze-and-Excitation (SE) được tích hợp vào kiến trúc mạng nhằm tăng cường khả năng học các đặc trưng quan trọng thông qua cơ chế tái hiệu chỉnh trọng số theo kênh. Ngoài ra, chiến lược Cyclical Learning Rate được sử dụng trong quá trình huấn luyện nhằm tối ưu hóa tốc độ học và cải thiện độ ổn định của mô hình. Các thí nghiệm được thực hiện trên tập dữ liệu gồm tám lớp bệnh da liễu cho thấy mô hình đề xuất đạt độ chính xác 97,85%, cao hơn so với các phương pháp truyền thống và một số nghiên cứu liên quan đã công bố trước đó. Kết quả này cho thấy tiềm năng ứng dụng của học sâu trong việc hỗ trợ chẩn đoán tự động các bệnh lý da liễu trong thực tiễn lâm sàng.Lượt tải
Tài liệu tham khảo
A. M. Siddiqui, H. Abbas, M. Asim, A. A. Ateya, and H. A. Abdallah, "SGO-DRE: A Squid Game Optimization-Based Ensemble Method for Accurate and Interpretable Skin Disease Diagnosis," Computer Modeling in Engineering & Sciences, vol. 144, no. 3, pp. 3135-3168, Sep. 2025, doi: 10.32604/cmes.2025.069926.
D. Kapoor et al., "Convolutional Neural Network-based Multi-Classification of Skin Disease with Fine-Tuned ResNet50 and VGG16," Open Bioinformatics Journal, vol. 18, no. 1, July 2025, doi: 10.2174/0118750362387304250716055022.
N. Rismayanti and S. F. Azzahrah, "Classification of Skin Diseases using Decision Tree Algorithm on an Imbalanced Dataset," International Journal of Artificial Intelligence in Medical Issues (IJAIMI), vol. 2, no. 2, Nov. 2024, doi: 10.56705/ijaimi.v2i2.155.
S. S. Arjon et al., "Comprehensive Analysis of Deep Transfer Learning Models for Skin Disease Classification with Explainable AI," in 2025 International Conference on Quantum Photonics, Artificial Intelligence, and Networking (QPAIN), Rangpur, Bangladesh, 2025, doi: 10.1109/QPAIN66474.2025.11171638.
L. C. K. Pallewela, A. Senanayake, and R. Manellanga, "SkinDetective: Machine Learning Based Android Mobile Application for Automated Identification of Skin Diseases," in APIIT International Research Conference – Computing Proceedings, vol. 1, 2024, pp. 119-132. [Online]. Available: https://www.researchgate.net/publication/389401418_SkinDetective. [Accessed Feb. 14, 2026].
M. Alshahrani et al., "Analysis of dermoscopy images of multi-class for early detection of skin lesions by hybrid systems based on integrating features of CNN models," PLOS ONE, vol. 19, no. 3, Mar. 2024, doi: 10.1371/journal.pone.0298305.
J. Zhang, Y. Xie, Y. Xia, and C. Shen, "Attention Residual Learning for Skin Lesion Classification," IEEE Transactions on Medical Imaging, vol. 38, no. 9, pp. 2092-2103, Sep. 2019, doi: 10.1109/TMI.2019.2893944.
X. He, Y. Wang, S. Zhao, and C. Yao, "Deep metric attention learning for skin lesion classification in dermoscopy images," Complex & Intelligent Systems, vol. 8, no. 2, pp. 1487-1504, 2022, doi: 10.1007/s40747-021-00587-4.
J. Wu, W. Hu, Y. Wen, W. Tu, and X. Liu, "Skin Lesion Classification Using Densely Connected Convolutional Networks with Attention Residual Learning," Sensors, vol. 20, no. 24, Dec. 2020, doi: 10.3390/s20247080.
P. Tang, X. Yan, Y. Nan, X. Hu, B. H. Menze, S. Krammer, and T. Lasser, "Joint-Individual Fusion Structure with Fusion Attention Module for Multi-Modal Skin Cancer Classification," Pattern Recognition, vol. 154, 2024, doi: 10.1016/j.patcog.2024.110604.
Subir Biswas, “Skin-Disease Dataset,” 2022. [Online]. Available: https://www.kaggle.com/datasets/ subirbiswas19/skin-disease-dataset. [Accessed Feb. 14, 2026].
