Psoriasis detection and classification using MobileNetV3 and Coordinate attention

Technische Samenvatting: Detectie en Classificatie van Psoriasis met behulp van MobileNetV3 en Coordinate Attention

Probleemstelling
Psoriasis is een hardnekkige dermatologische aandoening die 2–3% van de wereldbevolking treft en wordt gekenmerkt door rode plaques en zilverachtige schubben. Hoewel het niet levensbedreigend is, veroorzaakt het aanzienlijke psychologische stress en kan het leiden tot comorbiditeiten zoals psoriatische artritis. Diagnose is uitdagend vanwege de klinische heterogeniteit (zeven verschillende varianten), de gelijkenis met andere huidaandoeningen en de subjectiviteit van handmatige klinische beoordeling. Bovendien zijn bestaande ernstindices (bijv. PASI) subjectief en houden ze vaak geen rekening met specifieke factoren zoals pruritus (jeuk) of moeilijk te behandelen gebieden. Hoewel Deep Learning (DL) veelbelovend is gebleken in medische beeldvorming, is er een gebrek aan uitgebreide datasets voor multi-class psoriasis classificatie, en bestaande modellen hebben vaak moeite met klassenimbalans en subtiele inter-klasse variaties in huidlaesies.

Methodologie
De studie stelt een deep learning-framework voor dat gebruikmaakt van MobileNetV3-Small geïntegreerd met een Coordinate Attention (CA) mechanisme om psoriasisafbeeldingen te classificeren in zeven verschillende varianten. De methodologie volgt een gestructureerde pijplijn:

1. Dataset Constructie: Een aangepaste dataset bestaande uit 2.101 afbeeldingen werd gecreëerd, die zeven varianten beslaat: Erythrodermische, Guttate, Inverse, Nagel, Plaque, Psoriatische Artritis (PsA) en Pustuleuze psoriasis. De data werden afkomstig van publieke repositories (Kaggle) en ondergingen preprocessing, inclusief resizing naar 96×96 pixels en normalisatie van pixelintensiteiten naar het bereik [-1, 1].
2. Modelarchitectuur:
   • Backbone: De studie maakt gebruik van MobileNetV3-Small, gekozen vanwege de lage computationele kosten en latentie terwijl de nauwkeurigheid behouden blijft. Het maakt gebruik van depthwise separable convolutions.
   • Attention Mechanisme: Om de beperking van standaard Squeeze-and-Excitation blokken (die een gebrek aan positionele informatie hebben) aan te pakken, integreerden de auteurs Coordinate Attention (CA). Dit mechanisme voert horizontale en verticale pooling uit om ruimtelijke informatie te coderen, waardoor attention maps worden gegenereerd die het model sturen om zich te concentreren op specifieke "waar" en "wat" kenmerken binnen de laesie.
   • Classificatiekop: De architectuur bevat een Global Average Pooling laag, een Dense laag met 512 neuronen met Swish-activatie, en een Softmax output laag voor de zeven klassen.
3. Trainingsstrategie:
   • Transfer Learning: Het model werd geïnitialiseerd met gewichten die zijn voorgetraind op ImageNet. De bovenste lagen werden ontvroren voor fine-tuning vanaf laag 150 om hoogwaardige kenmerken specifiek voor de psoriasisdataset te extraheren.
   • Loss Functies: De studie vergelijkt Cross-Entropy Loss (CL) met een voorgestelde Hybrid Loss (HL). De HL combineert Cross-Entropy, Focal Loss en Label Smoothing technieken om klassenimbalans en overfitting te verminderen. De samengestelde loss is gedefinieerd als $L_{Composite} = \beta L_{CL} + \phi L_{FL}$, waarbij hyperparameters werden getuned (specifiek $\phi = 0.75$).
   • Optimalisatie: De Adam optimizer werd gebruikt met een leersnelheid van $1 \times 10^{-5}$ over 50 epochs.

Belangrijkste Bijdragen

• Dataset Creatie: Ontwikkeling van een uitgebreide dataset met 2.101 afbeeldingen verspreid over zeven psoriasisvarianten, wat het tekort aan publieke multi-class psoriasis data aanpakt.
• Architecturale Innovatie: Demonstratie dat het integreren van Coordinate Attention in MobileNetV3 de detectie van subtiele variaties tussen de zeven psoriasis-subtypen aanzienlijk verbetert.
• Optimalisatie van de Loss Functie: Introductie en validatie van een Hybrid Loss functie (combinatie van CL, Focal Loss en Label Smoothing) die beter presteert dan de standaard Cross-Entropy loss bij het afhandelen van klassenimbalans en het verbeteren van de nauwkeurigheid.
• Vergelijkende Analyse: Een rigoureuze vergelijking met state-of-the-art modellen, inclusief VGG19, een Ensemble van ResNet modellen (ResNet50V2, ResNet101V2, ResNet152V2) en standaard MobileNetV3, onder identieke experimentele omstandigheden.

Resultaten
Het voorgestelde MobileNetV3-Small + CA + Hybrid Loss model behaalde de hoogste prestatie-indicatoren:

• Nauwkeurigheid: Het model bereikte 98,40% nauwkeurigheid op de multi-class classificatietaak. Dit vertegenwoordigt een significante verbetering ten opzichte van MobileNetV3-Small met CA met alleen Cross-Entropy loss (93,20%) en andere baseline modellen (VGG19: 94,02%, Ensemble ResNet: 91,20%).
• Convergentie: Trainingscurves gaven aan dat het voorgestelde model een snelle convergentie bereikte met een hoge trainingsnauwkeurigheid (97–98%) en een lage trainingsloss (0,25).
• Generalisatie: Het model vertoonde een superieure validatienauwkeurigheid (ongeveer 75–78%) en een lagere validatieloss vergeleken met modellen die alleen Cross-Entropy gebruiken, wat wijst op verminderde overfitting.
• Klasse-gewijze Prestaties: Het model toonde verbeterde sensitiviteit voor uitdagende klassen zoals de Inverse en Nagel psoriasis, die vaak foutief worden geclassificeerd in standaard CNN's.

Significantie en Claims
Het artikel claimt dat de integratie van Coordinate Attention en Hybrid Loss een betrouwbaar, laag-kosten ondersteuningssysteem voor dermatologen biedt. Door een hoge nauwkeurigheid te bereiken bij het onderscheiden van zeven specifieke varianten, adresseert het model de beperkingen van handmatige diagnose, zoals interpretatieve variabiliteit en tijdrovendheid. De auteurs stellen dat deze aanpak nauwkeurige technische ondersteuning biedt voor het beheer van grote volumes huidafbeeldingen, wat potentieel de levenskwaliteit van patiënten kan verbeteren door een eerdere en nauwkeurigere diagnose.

Beperkingen en Toekomstige Scope
De auteurs erkennen verschillende beperkingen:

• Data-schaarsheid: De dataset, hoewel verbeterd, blijft beperkt in omvang en diversiteit met betrekking tot lichtomstandigheden en ziektekenmerken.
• Segmentatie: Het huidige werk richt zich op classificatie; toekomstig onderzoek moet region-of-interest segmentatie integreren om real-world scenario's aan te pakken waarbij laesies niet perfect geïsoleerd zijn.
• Computationele Efficiëntie: Hoewel MobileNetV3 lichtgewicht is, is verdere reductie van computationele kosten nodig voor implementatie.
• Correlatie Uitdagingen: De studie merkt op dat een hoge correlatie tussen bepaalde psoriasisafbeeldingen nog steeds kan leiden tot misidentificatie, wat suggereert dat verdere investigatie nodig is om zeer gelijkaardige varianten te onderscheiden.