EfficientNetB4-lesi-kulit-ham10000
классификация кожных образований по дерматоскопии
2 min readupdated
Узкоспециализированная модель компьютерного зрения от автора wkamdo для распознавания 7 типов пигментных поражений кожи (классы akiec, bcc, bkl, df, mel, nv, vasc). В основе лежит архитектура EfficientNetB4, дообученная методом transfer learning (переноса обучения) на известном медицинском датасете HAM10000 из 10 015 дерматоскопических снимков. Репозиторий создан по итогам дипломного исследования и включает два набора весов: базовый вариант (S1) и экспериментальный с балансировкой классов и focal loss (S5). Пригодится исследователям и студентам для академических проектов, экспериментов с дисбалансом классов и создания некоммерческих демо-инструментов.
Ключевые особенности
- Два варианта весов: доступны чекпоинты для базового обучения без борьбы с дисбалансом (S1) и для схемы с class weight и focal loss (S5).
- Строгая валидация: разбиение выборки проведено на уровне
lesion_id, что исключает утечку снимков одного и того же образования между обучающей и тестовой частями. - Специфическая предобработка: перед подачей в сеть кадры сжимаются до 224×224 и проходят контрастирование CLAHE по каналу L в цветовом пространстве LAB.
- Лицензия CC BY-NC 4.0: как производная от датасета HAM10000, модель разрешена строго для исследований, образования и некоммерческих демонстраций.
Что можно сделать
- Изучить влияние дисбаланса классов: сравнить поведение базовых весов S1 и модифицированных S5 на редких категориях вроде
dfиvasc. - Собрать учебный демо-стенд: подключить веса в пайплайн на TensorFlow/Keras для анализа готовых дерматоскопических баз в образовательных целях.
Пример
import tensorflow as tf
from tensorflow.keras import layers
base = tf.keras.applications.EfficientNetB4(input_shape=(224, 224, 3), include_top=False, weights=None)
inp = tf.keras.Input((224, 224, 3))
x = layers.Dropout(0.5)(layers.GlobalAveragePooling2D()(base(inp, training=False)))
out = layers.Dense(7, activation="softmax", dtype="float32")(x)
model = tf.keras.Model(inp, out)
model.load_weights("weights/S5_seed1337_terbaik.weights.h5")Подробнее
Метрики на тесте: S1 baseline — Macro F1 0,6890 и Accuracy 0,8116; S5 (class weight + focal loss) — Macro F1 0,6544 и Accuracy 0,8146.Средний ROC-AUC по 9 сидам: 0,9553 для S1 и 0,9582 для S5.
Обучение: 45 прогонов (5 сценариев × 9 сидов), 1 155 эпох, 84 часа GPU.
Ограничения: работает только с дерматоскопическими фото (не с обычной камеры смартфона), разрешение 224×224, не является инструментом медицинской диагностики.










Comments