تصنيف أمراض الجلد بالاعتماد على التقنيات الذكائية المهجنة
Skin Disease Classification Based on Hybrid Intelligent Technique
- الباحث
- حسن ماهر أحمد النعمة
- المشرف
- منار يونس أحمد كشمولة
- الجامعة
- جامعة الموصل
- الكلية / القسم
- كلية علوم الحاسوب والرياضيات / علوم الحاسوب
- الشهادة
- دكتوراه
- السنة
- 2023
- لغة الرسالة
- انكليزي
- الكلمات المفتاحية
- Skin Disease Classification ; Hybrid Intelligent Techniques ; Deep Learning ; Medical Imaging
الملخص
الأمراض الجلدية مشكلة صحية واسعة الانتشار تؤثر على ملايين الأشخاص في جميع أنحاء العالم. يعد التصنيف والتشخيص الدقيقين للأمراض الجلدية Hal بالغ الأهمية لضمان العلاج المناسب وإدارة الحالة. يهدف هذا العمل إلى المساهمة في مجال الأمراض الجلدية من خلال تطوير وتفييم نماذج التعلم العميق لتصنيف وتشخيص Gale) الجلدية تلقائيّاء واستخدام عدة طرق محسّنة لتحسين أداء النماذج وتقليل معدل التشخيص الخاطئ. تم تصنيف ثلاثة أنواع من مجموعات البيانات: مجموعات البيانات السياقية والكلية والجزئية، كل منها يحتوي على خمس Gl من الأمراض الجلدية المختلفة. تم تقديم الطريقة المقترحة لزيادة البيانات لمجموعات التدريب من خلال دمج تقنيات زيادة البيانات التقليدية وتقنيات التعلم العميق. تم توليد مجموعات بيانات جديدة باستخدام شبكات الخصومة التوليدية الهجينة مع خوارزمية سرب الحيتان لإنتاج صور كبيرة الأبعاد لجميع صور الأمراض الجلدية بأبعاد تتناسب مع مجموعات البيانات الأصلية. تقترح الدراسة بنى الشبكات العصبية التلافيفية الهجينة باستخدام خوارزميات امثلية الثعالب الحمراء وامثلية الذئب الرمادي للعثور على أفضل المعلمات الفائقة واختبار تأثيرها على أداء الهندسة المعمارية. تم تقديم dink جديدة لإنشاء معماريات CNN باستخدام خوارزمية -RFO تستفيد الطريقة المقترحة من نقاط القوة لكل من هياكل CNN المصنوعة Liga; والمولدة تلقائيًا باستخدام خوارزمية RFO لتحسين الهيكل. تبحث خوارزمية RFO عن أفضل مجموعة من المعلمات الفائقة مثل عدد الطبقات والفلاتر وأحجام النواة وما إلى ذلك لإنتاج البنية المثالية. تتميز الهياكل الجديدة ببساطتها وسرعتها ودقتها العالية وتوافقها مع مجموعات بيانات الأمراض الجلدية المختلفة. أدى تكامل البيانات التقليدية والعميقة إلى زيادة بيانات مجموعات التدريب مما أثر بشكل إيجابي على توزيع البيانات غير المتوازن ومقاومة الضوضاء وبالتالي أدى إلى أداء أكثر كفاءة لهياكل التصنيف. أظهرت معماريات الشبكة العصبية التلافيفية الهجينة المقترحة زيادة في دقة الكشف عن الأمراض الجلدية مقارنة بالطرق التقليدية. كانت دقة التصنيف لمجموعة البيانات السياقية 98.31/ ، وبالنسبة لمجموعة البيانات الكلية كانت الدقة 95.10/ ومجموعة البيانات الجزئية كانت الدقة 95.71/. اقرار لجنة المناقشة نشهد أننا أعضاء لجنة المناقشة قد اطلعنا على الاطروحة الموسومة '"تصنيف امراض الجلد بالاعتماد على التقنيات الذكائية المهجنة" وناقشنا الطالب "حسن ماهر أحمد النعمة" في محتوياتها وفيما له علاقة بها بتاريخ ٠١7 / OJ ١8 ونعتقد أنها جديرة بالقبول لنيل شهادة دكتوراه فلسفة في علوم الحاسوب. التوقيع: ; التوقيع: الاسم: د. خليل ابراهيم أحمد الاسم: د. لهيب محمد ابراهيم المرتبة العلمية: استاذ المرتبة العلمية: استاذ التاريخ: PNA ه /*؟.؟ التاريخ: PVA ه /“”١٠؟ رئيس اللجنة عضو اللجنة التوقيع: التوقيع: الاسم: a اسراء محمد خضر الاسم: د. صفوان عمر حسون المرتبة العلمية: استاذ المرتبة العلمية: استاذ التاريخ: PVA ه /“؟١.٠؟ التاريخ: PVA ه /“5١.٠؟ عضو اللجنة عضو اللجنة التوقيع: التوقيع: الاسم: د. زهير قيس ابراهيم الاسم: د. منار يونس أحمد المرتبة العلمية: استاذ مساعد المرتبة العلمية: استاذ التاريخ: PVA ه /“؟١.٠؟ التاريخ: PVA ه /"“؟١.٠؟ عضو اللجنة عضو اللجنة (المشرف) ee 0 قرار مجلس الكلية اجتمع مجلس كلية علوم الحاسوب والرياضيات بجلسته ) ( المنعقدة بتاريخ / / 1" وقرر date شهادة دكتوراه فلسفة في علوم الحاسوب. التوقيع: التوقيع: | الاسم: أ.د. صفوان عمر حسون الاسم: أ.د. ضحى بشير عبد الله مقرر مجلس كلية علوم الحاسوب والرياضيات عميد كلية علوم الحاسوب والرياضيات التاريخ: / rey] التاريخ: / reyy]
Abstract
Skin diseases are a widespread health problem affecting millions of people worldwide. Accurate classification and diagnosis of skin diseases is critical to ensuring proper treatment and management of the condition. This work aims to contribute to the field of dermatology by developing and evaluating deep learning models to automatically classify and diagnose skin diseases, and using several improved methods to improve the performance of the models and reduce the misdiagnosis rate. Three types of datasets were categorized: contextual, macro and micro datasets, each containing five categories of different skin diseases. The proposed method of data augmentation was introduced to training groups by integrating traditional data augmentation techniques and deep learning techniques. Generates new datasets using hybrid generative adversarial networks with the whale swarm algorithm to produce large dimensional images of all dermatology images with dimensions commensurate with the original datasets. The study proposes hybrid convolutional neural network architectures using Red Fox Optimization and Gray Wolf Optimization algorithms to find the best hyperparameters and test their impact on architecture performance. A new method for creating CNN architectures using the RFO algorithm is presented. The proposed method takes advantage of the strengths of both hand-made and automatically-generated CNN architectures using the RFO algorithm to optimize the structure. The RFO algorithm searches for the best combination of hyperparameters, such as number of layers, filters, kernel sizes, etc., to produce the ideal architecture. The new structures are characterized by their simplicity, speed, high accuracy, and their compatibility with different dermatology datasets. The integration of traditional and deep data augmentation increased the data of the training sets which positively affected the unbalanced data distribution and noise resistance and thus led to more efficient performance of the classification structures. The proposed hybrid convolutional neural network architectures showed an increase in the detection accuracy of skin diseases compared to the traditional methods. The classification accuracy for the contextual data set was 98.31%, for the macro data set the accuracy was 95.10% and for the micro data set the accuracy was 95.71%.
طلب نسخة من الملف
الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.