تشخیص زودهنگام سرطان پوست با استفاده از یادگیری عمیق فدرال مبتنی بر شبکه کانولوشن سبک وزن توجه-پایه

ملانوما به عنوان یکی از مرگبارترین انواع سرطان پوست شناخته می شود و تشخیص به موقع آن می تواند به شکل چشمگیر احتمال بقا بیماران را افزایش دهد. تنوع در انواع این بیماری و شباهت ظاهری آن به دیگر ضایعات پوستی، فرآیند شناسایی را با چالش های قابل توجهی روبه رو ساخته است. از آنجا که بررسی دستی تصاویر ضایعات پوستی توسط متخصصان زمان بر بوده و احتمال خطا را نیز در پی دارد، خودکارسازی این فرآیند با رویکردهای مبتنی بر یادگیری ماشین و یادگیری عمیق مورد توجه قرار گرفته است. اما بسیاری از روش های موجود یا به دلیل وابستگی به یک معماری منفرد و داده های متمرکز، توانایی تعمیم مناسبی ندارند و یا در استخراج ویژگی های متمایز از تصاویر پوستی دقت کافی ارائه نمی کنند. از اینرو در این تحقیق یک مدل یادگیری عمیق فدرال برای شناسایی خودکار ملانوما ارائه شده است. معماری پیشنهادی شامل دو نوع شبکه محلی است: نخست، یک شبکه سبک وزن مبتنی بر بلوک Shuffle و دوم، یک شبکه مجهز به مکانیزم توجه کانالی فضایی (CAM) به منظور تمرکز تطبیقی بر ویژگی های مهم فرآیند یادگیری فدرال با پنج مدل محلی متشکل از این دو ساختار انجام شده و ارزیابی ها بر روی دو مجموعه داده معتبر HAM۱۰۰۰۰ و ۲۰۱۹ ISIC صورت گرفته است. نتایج تجربی نشان می دهد که روش پیشنهادی FDL-CBAM به دقتی معادل %۹۸.۸ برای HAM۱۰۰۰۰ و ۹۴.۱% برای ۲۰۱۹ ISIC دست یافته و در مقایسه با روش های مرجع بهبود عملکردی بالغ بر %۲ داشته است. همچنین روش به دقتی معادل %۹۱.۴۴ برای HAM۱۰۰۰۰ و ۹۲.۳۲ برای ۲۰۱۹ ISIC دست یافته و در مقایسه با برخی از روش های مرجع بهبود عملکردی بین ۱ تا ۳ داشته است.

کلیدواژه ها:

ملانوما ، یادگیری عمیق فدرال ، CBAM ، بلوک Shuffle ، تشخیص ضایعات پوستی