Pendanaan: Pekerjaan ini didukung oleh Rencana Dukungan Industri Departemen Pendidikan Provinsi Gansu (No. 2021CYZC-30).

ABSTRAK

Pembedaan yang akurat antara penyakit kulit menular dan tidak menular sangat penting dalam bidang diagnosis dermatologis, dan meskipun teknik pembelajaran mendalam telah mencapai hasil yang luar biasa dalam klasifikasi berbagai macam penyakit dermatologis, masih terdapat kekurangan kerangka kerja terpadu yang efektif untuk mencapai tujuan ini. Untuk tujuan ini, makalah ini mengusulkan jaringan saraf konvolusional ringan, HSCFNet, untuk mengklasifikasikan 9 penyakit kulit menular utama dan 10 penyakit kulit tidak menular. HSCFNet terdiri dari dua modul inti, modul konvolusi hibrida multi-gerbang (MGHC) dan modul fusi residual rangkap tiga (TRF). MGHC mengintegrasikan konvolusi standar dan konvolusi yang dapat dideformasi yang ditingkatkan untuk membentuk dua cabang dan memilih cabang yang berbeda untuk ekstraksi fitur melalui kontrol parameter, sambil memperkenalkan mekanisme gating untuk pemilihan fitur dari fitur yang diekstraksi untuk memperkuat kemampuan mengekstraksi fitur penting. Modul TRF memfasilitasi interaksi informasi antara fitur dengan menggabungkan tiga resolusi fitur yang berbeda, yang selanjutnya meningkatkan kinerja klasifikasi model. Hasil eksperimen menunjukkan bahwa akurasi, presisi, recall, spesifisitas, dan skor F1 HSCFNet masing-masing mencapai 97,87%, 97,76%, 97,26%, 99,88%, dan 97,43%, dan ukuran modelnya hanya 26,1 MB, yang tergolong ringan namun tetap mempertahankan kinerja tinggi. Dibandingkan dengan 10 model klasifikasi arus utama yang ada, HSCFNet menunjukkan kinerja klasifikasi terbaik. Studi ini memberikan solusi yang efisien dan ringan untuk diagnosis penyakit kulit klinis, yang penting untuk membedakan secara akurat penyakit kulit menular dan tidak menular arus utama.