Psoriasis detection and classification using MobileNetV3 and Coordinate attention

तकनीकी सारांश: MobileNetV3 और कोऑर्डिनेट अटेंशन का उपयोग करके सोरियासिस का पता लगाना और वर्गीकरण करना

समस्या विवरण
सोरियासिस एक निरंतर रहने वाली त्वचा संबंधी स्थिति है जो वैश्विक जनसंख्या के 2-3% को प्रभावित करती है, जिसकी विशेषता लाल चकत्ते और चांदी जैसे रंग के शल्क (scales) हैं। हालांकि यह जीवन के लिए खतरा नहीं है, लेकिन यह महत्वपूर्ण मनोवैज्ञानिक संकट पैदा करता है और सोरियाटिक अर्थराइटिस जैसी सह-रुग्णताओं का कारण बन सकता है। नैदानिक विषमता (सात विशिष्ट वेरिएंट), अन्य त्वचा रोगों के साथ समानता और मैनुअल क्लिनिकल मूल्यांकन की व्यक्तिपरकता के कारण इसका निदान चुनौतीपूर्ण है। इसके अलावा, मौजूदा गंभीरता सूचकांक (जैसे PASI) अक्सर व्यक्तिपरक होते हैं और खुजली या कठिन-से-उपचार वाले क्षेत्रों जैसे विशिष्ट कारकों को समझने में विफल रहते हैं। जबकि डीप लर्निंग (DL) ने मेडिकल इमेजिंग में आशाजनक परिणाम दिखाए हैं, मल्टी-क्लास सोरियासिस वर्गीकरण के लिए व्यापक डेटासेट की कमी है, और मौजूदा मॉडल क्लास इम्बैलेंस (वर्ग असंतुलन) और त्वचा के घावों के सूक्ष्म अंतरों के साथ संघर्ष करते हैं।

कार्यप्रणाली
यह अध्ययन सात विशिष्ट वेरिएंट्स में सोरियासिस छवियों को वर्गीकृत करने के लिए कोऑर्डिनेट अटेंशन (CA) तंत्र के साथ एकीकृत MobileNetV3-Small का उपयोग करते हुए एक डीप लर्निंग फ्रेमवर्क प्रस्तावित करता है। कार्यप्रणाली एक संरचित पाइपलाइन का अनुसरण करती है:

1. डेटासेट निर्माण: सात वेरिएंट्स (एरिथ्रोडर्मिक, गट्टेट, इनवर्स, नेल, प्लेक, सोरियाटिक अर्थराइटिस (PsA), और पुस्टुलर सोरियासिस) को कवर करने वाला एक कस्टम डेटासेट बनाया गया जिसमें 2,101 छवियां शामिल हैं। डेटा को सार्वजनिक रिपॉजिटरी (Kaggle) से प्राप्त किया गया था और प्रीप्रोसेसिंग की गई, जिसमें 96×96 पिक्सल पर रीसाइजिंग और पिक्सेल तीव्रता का [-1, 1] रेंज में नॉर्मलाइजेशन शामिल है।
2. मॉडल आर्किटेक्चर:
   • बैकबोन: अध्ययन में MobileNetV3-Small का उपयोग किया गया है, जिसे इसकी कम कम्प्यूटेशनल लागत और सटीकता बनाए रखते हुए कम लेटेंसी के लिए चुना गया है। यह डेप्थवाइज सेपरेबल कनवल्शन का उपयोग करता है।
   • अटेंशन मैकेनिज्म: स्टैंडर्ड स्क्वीज़-एंड-एक्साइटेशन ब्लॉक्स (जो पोजीशनल जानकारी की कमी रखते हैं) की सीमा को दूर करने के लिए, लेखकों ने कोऑर्डिनेट अटेंशन (CA) को एकीकृत किया। यह तंत्र स्थानिक जानकारी को एनकोड करने के लिए हॉरिजॉन्टल और वर्टिकल पूलिंग करता है, जिससे अटेंशन मैप्स उत्पन्न होते हैं जो मॉडल को घाव के भीतर विशिष्ट "कहाँ" और "क्या" विशेषताओं पर ध्यान केंद्रित करने के लिए निर्देशित करते हैं।
   • क्लासिफिकेशन हेड: आर्किटेक्चर में एक ग्लोबल एवरेज पूलिंग लेयर, स्विश (Swish) एक्टिवेशन के साथ 512 न्यूरॉन्स वाली एक डेंस लेयर और सात वर्गों के लिए एक सॉफ्टमैक्स आउटपुट लेयर शामिल है।
3. प्रशिक्षण रणनीति:
   • ट्रांसफर लर्निंग: मॉडल को ImageNet पर प्री-ट्रेन किए गए वेट्स के साथ इनिशियलाइज किया गया था। उच्च-स्तरीय विशेषताओं को निकालने के लिए लेयर 150 से फाइन-ट्यूनिंग शुरू करने के लिए टॉप लेयर्स को अनफ्रीज किया गया।
   • लॉस फंक्शन्स: अध्ययन क्रॉस-एंट्रॉपी लॉस (CL) की तुलना प्रस्तावित हाइब्रिड लॉस (HL) से करता है। HL, क्लास इम्बैलेंस और ओवरफिटिंग को कम करने के लिए क्रॉस-एंट्रॉपी, फोकल लॉस और लेबल स्मूथिंग तकनीकों को जोड़ता है। कंपोजिट लॉस को $L_{Composite} = \beta L_{CL} + \phi L_{FL}$ के रूप में परिभाषित किया गया है, जहाँ हाइपरपैरामीटर्स को ट्यून किया गया था (विशेष रूप से $\phi = 0.75$)।
   • ऑप्टिमाइजेशन: एडम ऑप्टिमाइज़र का उपयोग $1 \times 10^{-5}$ की लर्निंग रेट के साथ 50 एपॉक्स (epochs) के लिए किया गया था।

प्रमुख योगदान

• डेटासेट निर्माण: सात सोरियासिस वेरिएंट्स में 2,101 छवियों वाला एक व्यापक डेटासेट विकसित करना, जो मल्टी-क्लास सोरियासिस डेटा की कमी को संबोधित करता है।
• आर्किटेक्चरल इनोवेशन: यह प्रदर्शन करना कि सात सोरियासिस सबटाइप्स के बीच सूक्ष्म विविधताओं का पता लगाने के लिए MobileNetV3 में कोऑर्डिनेट अटेंशन को एकीकृत करने से महत्वपूर्ण सुधार होता है।
• लॉस फंक्शन ऑप्टिमाइजेशन: एक हाइब्रिड लॉस फंक्शन (CL, फोकल लॉस और लेबल स्मूथिंग का संयोजन) का परिचय और सत्यापन, जो क्लास इम्बैलेंस को संभालने और सटीकता में सुधार करने में मानक क्रॉस-एंट्रॉपी लॉस से बेहतर प्रदर्शन करता है।
• तुलनात्मक विश्लेषण: समान प्रयोगात्मक स्थितियों के तहत VGG19, रेसनेट का एनसेम्बल (ResNet50V2, ResNet101V2, ResNet152V2), और मानक MobileNetV3 सहित स्टेट-ऑफ-द-आर्ट मॉडल्स के विरुद्ध एक कठोर तुलना।

परिणाम
प्रस्तावित MobileNetV3-Small + CA + Hybrid Loss मॉडल ने उच्चतम प्रदर्शन मेट्रिक्स प्राप्त किए:

• सटीकता (Accuracy): मॉडल ने मल्टी-क्लास क्लासिफिकेशन टास्क पर 98.40% सटीकता प्राप्त की। यह केवल क्रॉस-एंट्रॉपी लॉस (93.20%) का उपयोग करने वाले MobileNetV3-Small + CA और अन्य बेसलाइन मॉडल्स (VGG19: 94.02%, Ensemble ResNet: 91.20%) की तुलना में एक महत्वपूर्ण सुधार है।
• कन्वर्जेंस: ट्रेनिंग कर्व्स ने संकेत दिया कि प्रस्तावित मॉडल ने उच्च ट्रेनिंग सटीकता (97–98%) और कम ट्रेनिंग लॉस (0.25) के साथ तीव्र कन्वर्जेंस प्राप्त किया।
• जनरलाइजेशन: मॉडल ने क्रॉस-एंट्रॉपी का उपयोग करने वाले मॉडल्स की तुलना में बेहतर वैलिडेशन सटीकता (लगभग 75–78%) और कम वैलिडेशन लॉस प्रदर्शित किया, जो कम ओवरफिटिंग को दर्शाता है।
• क्लास-वाइज प्रदर्शन: मॉडल ने इनवर्स और नेल सोरियासिस जैसे चुनौतीपूर्ण वर्गों के लिए बेहतर संवेदनशीलता दिखाई, जो अक्सर मानक CNNs में गलत वर्गीकरण का शिकार होते हैं।

महत्व और दावे
पेपर का दावा है कि कोऑर्डिनेट अटेंशन और हाइब्रिड लॉस का एकीकरण त्वचा विशेषज्ञों के लिए एक विश्वसनीय, कम लागत वाला सहायता तंत्र प्रदान करता है। सात विशिष्ट वेरिएंट्स के बीच उच्च सटीकता प्राप्त करके, मॉडल व्याख्यात्मक परिवर्तनशीलता और समय लेने वाली प्रक्रियाओं जैसी मैनुअल डायग्नोसिस की सीमाओं को संबोधित करता है। लेखक दावा करते हैं कि यह दृष्टिकोण त्वचा की छवियों के बड़े वॉल्यूम को प्रबंधित करने के लिए सटीक तकनीकी सहायता प्रदान करता है, जिससे संभावित रूप से शीघ्र और अधिक सटीक निदान के माध्यम से रोगी के जीवन की गुणवत्ता में सुधार हो सकता है।

सीमाएं और भविष्य का दायरा
लेखक कई सीमाओं को स्वीकार करते हैं:

• डेटा की कमी: डेटासेट, हालांकि बेहतर है, फिर भी लाइटिंग स्थितियों और रोग के लक्षणों के संबंध में सीमित आकार और विविधता रखता है।
• सेगमेंटेशन: वर्तमान कार्य वर्गीकरण पर केंद्रित है; भविष्य के अनुसंधान में रीजन-ऑफ-इंटरेस्ट सेगमेंटेशन को एकीकृत करना होगा ताकि वास्तविक दुनिया के परिदृश्यों को संभाला जा सके जहाँ घाव पूरी तरह से अलग-थले नहीं होते हैं।
• कम्प्यूटेशनल दक्षता: हालांकि MobileNetV3 हल्का है, तैनाती के लिए कम्प्यूटेशनल लागत में और कमी की आवश्यकता है।
• कोरिलेशन चुनौतियां: अध्ययन नोट करता है कि कुछ सोरियासिस छवियों के बीच उच्च सहसंबंध (correlation) अभी भी गलत पहचान का कारण बन सकता है, जो अत्यधिक समान वेरिएंट्स के बीच अंतर करने के लिए आगे के अन्वेषण की आवश्यकता का सुझाव देता है।