KIEGLFN: Ein einheitliches Akne-Grading-Framework für Gesichtsbilder

Die Bewertung des Schweregrads ist ein äußerst wichtiger Schritt für eine korrekte Diagnose und individualisierte Therapieplanung bei Akne. In der medizinischen Fachwelt existieren jedoch keine einheitlichen Kriterien zur Akne-Grading. Ziel dieser Arbeit ist die Entwicklung eines Akne-Diagnosesystems, das generalisierbar für verschiedene Bewertungskriterien ist. Methoden: Es wurde ein einheitliches Akne-Grading-Framework entwickelt, das sich an verschiedenen Kriterien anpassen lässt. Das Verfahren nachahmt die globale Einschätzung eines Dermatologen in zwei Schritten. Zunächst wird eine adaptive Bildvorverarbeitungsmethode eingesetzt, die bedeutungslose Informationen effektiv filtert und relevante Merkmale verstärkt. Anschließend wird eine innovative Netzwerkarchitektur vorgestellt, die globale tiefgehende Merkmale mit lokalen Merkmalen fusioniert, um die vergleichende Analyse lokaler Hautbereiche und die Gesamtsicht eines Dermatologen nachzuahmen. Darüber hinaus wird eine Transfer-Finetuning-Strategie vorgeschlagen, die vorheriges Wissen von einem Kriterium auf ein anderes überträgt und somit die Leistung des Frameworks bei begrenzten Daten erheblich verbessert. Ergebnisse: Die Vorverarbeitungsmethode filtert effektiv unwichtige Bereiche heraus und steigert die Leistung nachgeschalteter Modelle. Das Framework erreicht Genauigkeiten von 84,52 % und 59,35 % auf zwei getrennten Datensätzen. Schlussfolgerungen: Die Anwendung des Frameworks bei der Akne-Grading übertrifft die bisherigen State-of-the-Art-Methoden um 1,71 %, erreicht das Diagnoseniveau eines erfahrenen Dermatologen und die Transfer-Finetuning-Strategie steigert die Genauigkeit um 6,5 % bei kleinem Datensatz.