Psoriasis detection and classification using MobileNetV3 and Coordinate attention

Technische Zusammenfassung: Detektion und Klassifizierung von Psoriasis mittels MobileNetV3 und Coordinate Attention

Problemstellung
Psoriasis ist eine persistente dermatologische Erkrankung, die 2–2,3 % der Weltbevölkerung betrifft und durch rote Plaques und silbrige Schuppen gekennzeichnet ist. Obwohl sie nicht lebensbedrohlich ist, verursacht sie erheblichen psychischen Stress und kann zu Komorbiditäten wie Psoriasis-Arthritis führen. Die Diagnose ist aufgrund der klinischen Heterogenität (sieben verschiedene Varianten), der Ähnlichkeit zu anderen Hauterkrankungen und der Subjektivität der manuellen klinischen Beurteilung eine Herausforderung. Darüber hinaus sind bestehende Schweregradindizes (z. B. PASI) subjektiv und berücksichtigen oft nicht spezifische Faktoren wie Pruritus oder schwer behandelbare Areale. Während Deep Learning (DL) in der medizinischen Bildgebung vielversprechend ist, mangelt es an umfassenden Datensätzen für die Multi-Class-Klassifizierung von Psoriasis, und bestehende Modelle haben oft Schwierigkeiten mit Klassenimbalancen und subtilen interklassenbezogenen Variationen bei Hautläsionen.

Methodik
Die Studie schlägt ein Deep-Learning-Framework vor, das MobileNetV3-Small unter Integration eines Coordinate Attention (CA) Mechanismus nutzt, um Psoriasis-Bilder in sieben verschiedene Varianten zu klassifizieren. Die Methodik folgt einer strukturierten Pipeline:

1. Datensatzkonstruktion: Ein benutzerdefinierter Datensatz bestehend aus 2.101 Bildern wurde erstellt, der sieben Varianten abdeckt: Erythrodermische, Guttate, Inverse, Nagel-, Plaque-, Psoriasis-Arthritis (PsA) und Pustulöse Psoriasis. Die Daten wurden aus öffentlichen Repositories (Kaggle) bezogen und einer Vorverarbeitung unterzogen, einschließlich der Größenänderung auf 96×96 Pixel und der Normalisierung der Pixelintensitäten in den Bereich [-1, 1].
2. Modellarchitektur:
   • Backbone: Die Studie verwendet MobileNetV3-Small, das aufgrund seiner geringen Rechenkosten und Latenz bei gleichbleibender Genauigkeit gewählt wurde. Es nutzt Depthwise Separable Convolutions.
   • Attention-Mechanismus: Um die Einschränkung der Standard-Squeeze-and-Excitation-Blöcke (die keine Positionsinformationen besitzen) zu adressieren, integrierten die Autoren Coordinate Attention (CA). Dieser Mechanismus führt horizontales und vertikales Pooling durch, um räumliche Informationen zu kodieren, wodurch Attention-Maps generiert werden, die das Modell dazu leiten, sich auf spezifische „Wo“- und „Was“-Merkmale innerhalb der Läsion zu konzentrieren.
   • Classification Head: Die Architektur umfasst eine Global Average Pooling Schicht, eine Dense-Schicht mit 512 Neuronen unter Verwendung der Swish-Aktivierungsfunktion sowie eine Softmax-Ausgangsschicht für die sieben Klassen.
3. Trainingsstrategie:
   • Transfer Learning: Das Modell wurde mit Gewichten initialisiert, die auf ImageNet vortrainiert wurden. Die oberen Schichten wurden ab Schicht 150 zum Fine-Tuning freigeschaltet, um hochgradige Merkmale spezifisch für den Psoriasis-Datensatz zu extrahieren.
   • Loss-Funktionen: Die Studie vergleicht die Cross-Entropy Loss (CL) mit einer vorgeschlagenen Hybrid Loss (HL). Die HL kombiniert Cross-Entropy, Focal Loss und Label Smoothing Techniken, um Klassenimbalancen und Overfitting zu mildern. Die zusammengesetzte Loss-Funktion ist definiert als $L_{Composite} = \beta L_{CL} + \phi L_{FL}$, wobei die Hyperparameter angepasst wurden (speziell $\phi = 0,75$).
   • Optimierung: Der Adam-Optimizer wurde mit einer Lernrate von $1 \times 10^{-5}$ über 50 Epochen verwendet.

Wesentliche Beiträge

• Datensatzerstellung: Entwicklung eines umfassenden Datensatzes mit 2.101 Bildern über sieben Psoriasis-Varianten hinweg, um den Mangel an öffentlichen Multi-Class-Psoriasis-Daten zu beheben.
• Architektonische Innovation: Demonstration, dass die Integration von Coordinate Attention in MobileNetV3 die Detektion subtiler Variationen zwischen den sieben Psoriasis-Subtypen signifikant verbessert.
• Optimierung der Loss-Funktion: Einführung und Validierung einer Hybrid-Loss-Funktion (Kombination aus CL, Focal Loss und Label Smoothing), die gegenüber der Standard-Cross-Entropy-Loss bei der Handhabung von Klassenimbalancen und der Verbesserung der Genauigkeit überlegen ist.
• Vergleichende Analyse: Ein strenger Vergleich gegen State-of-the-Art-Modelle, einschließlich VGG19, eines Ensembles von ResNet-Modellen (ResNet50V2, ResNet101V2, ResNet152V2) und dem Standard-MobileNetV3 unter identischen experimentellen Bedingungen.

Ergebnisse
Das vorgeschlagene MobileNetV3-Small + CA + Hybrid Loss Modell erreichte die höchsten Leistungsmetriken:

• Genauigkeit: Das Modell erreichte eine Genauigkeit von 98,40 % bei der Multi-Class-Klassifizierungsaufgabe. Dies stellt eine signifikante Verbesserung gegenüber MobileNetV3-Small mit CA unter Verwendung von nur Cross-Entropy Loss (93,20 %) und anderen Baseline-Modellen (VGG19: 94,02 %, Ensemble ResNet: 91,20 %) dar.
• Konvergenz: Trainingskurven zeigten, dass das vorgeschlagene Modell eine schnelle Konvergenz mit hoher Trainingsgenauigkeit (97–98 %) und niedrigem Trainings-Loss (0,25) erreichte.
• Generalisierung: Das Modell demonstrierte eine überlegene Validierungsgenauigkeit (ca. 75–78 %) und einen niedrigeren Validierungs-Loss im Vergleich zu Modellen, die nur Cross-Entropy verwenden, was auf reduziertes Overfitting hindeutet.
• Klassenspezifische Leistung: Das Modell zeigte eine verbesserte Sensitivität für herausfordernde Klassen wie Inverse und Nagel-Psoriasis, die in Standard-CNNs oft Fehlklassifizierungen unterliegen.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass die Integration von Coordinate Attention und Hybrid Loss ein zuverlässiges, kostengünstiges Unterstützungssystem für Dermatologen bietet. Durch das Erreichen einer hohen Genauigkeit bei der Unterscheidung zwischen sieben spezifischen Varianten adressiert das Modell die Einschränkungen der manuellen Diagnose, wie etwa interpretative Variabilität und Zeitaufwand. Die Autoren behaupten, dass dieser Ansatz eine präzise technische Unterstützung für die Verwaltung großer Mengen an Hautbildern bietet, was potenziell die Lebensqualität der Patienten durch eine frühere und genauere Diagnose verbessern kann.

Einschränkungen und zukünftiger Ausblick
Die Autoren räumen mehrere Einschränkungen ein:

• Datenknappheit: Der Datensatz ist, obwohl verbessert, in Bezug auf Lichtverhältnisse und Krankheitsmerkmale noch begrenzt in Größe und Diversität.
• Segmentierung: Die aktuelle Arbeit konzentriert sich auf die Klassifizierung; zukünftige Forschung muss eine Region-of-Interest-Segmentierung integrieren, um Real-World-Szenarien zu handhaben, in denen Läsionen nicht perfekt isoliert sind.
• Recheneffizienz: Obwohl MobileNetV3 leichtgewichtig ist, ist eine weitere Reduktion der Rechenkosten für den Einsatz erforderlich.
• Korrelationsherausforderungen: Die Studie stellt fest, dass eine hohe Korrelation zwischen bestimmten Psoriasis-Bildern immer noch zu Fehlidentifikationen führen kann, was eine weitere Untersuchung zur Unterscheidung hochgradig ähnlicher Varianten nahelegt.