Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   23 ,  No.   1 ,   Ju ly   2021 , p p.  216 ~ 2 28   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v 23 .i 1 . pp 21 6 - 228          216       Journ al h om e page :  http: // ij eecs.i aesc or e.c om   ROI - b ased f ea tu res for cl assificati on of ski n di sea s es usin g a  mu lti - layer  n eural net wo rk       Thanh - H ai  N guyen,  Ba - Vie t  N go   Ho Chi   Minh C ity   Un ive rsit y   of Tec hno log y   a nd  Educ a ti on,   Vie tn am       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Feb   1 7 , 202 1   Re vi sed  A pr   1 4 , 2 021   Accepte d  Apr   20 , 202 1       Skin  disea ses  h ave   a   serious  i m pac t  on  hum a n  li fe   and  h ea l t h.   Thi s  art i cle  ai m s  to  rep rese nt  the   class ifi cati on  ac cur a c y   of  skin  disea ses  for  supporting   the   ph y sic ia ns’  c orre ct   d ecision  o n  pat i ent s  for  e a rl y   treatme nt .   In   par ticular,   100  images  in   e a ch  t y p e  of   five  skin  dise ase s  fro m   ISIC  dat aba s e   are  used  for   bal an ce d  da ta set s re la te d  to  the   c la ss ifi c at ion  a ccuracy .   In  a ddit io n,   thi s pa p e r   foc uses  on  proc essing  images  f or  ext r ac t ing  si x  opti m al  t y pes   of  e le ve n   fea tu r es  of  skin  disea se  imag e  fo r  highe r  cl assifi c at ion  p erf orm an ce   and   al so  thi s  ta k es  le ss   tim e  for  tra in ing.  The ref or e,  skin  disea se  imag es  are   fi ltere d   and  segm ent ed  for  sepa rat ing  r egi on  of  int er ests  (ROIs )  bef or e  ext ra ct in g   opti m al   fe at ure s .   First,  the   s kin  d isea se  images  ar e  proc essed  b y   n orm al iz ing   size s,  removing   noises,   segm ent ing  to  sepa r at e   reg ion  of  int er ests  (ROIs )  show ing  skin  disea se  signs.   Next ,   a  gr a y - le v el   co - occ urre n ce  m at ri x  (GLCM)  m et hod  is  appl ie d  for  te xture   a naly s is  to  ext ra ct   eleve n  fe at ur es.   W it h  th e   opti m al   six  feat ure s  chose n,   th e   high  cl assifi cati on  ac cur acy   of  s kin  disea ses  is  about   92%  e val ua te d  using  a  m at rix  conf us ion.   The   r esult   show ed  to   il lustrate  the   e ff ec t ive ness  of  the  proposed  m et ho d.   Furthermore,   thi s  m et hod  ca n  be   dev el op ed  for  oth er  m edi c al   d at ase ts  for  supporting  in  disea se   dia gnosis.    Ke yw or d s :   GLCM   al gorit hm   Ma trix con fu si on   MLNN  str uctu re   ROI feat ures   Sk in  d ise ase s   This   is an  open   acc ess arti cl e   un der  the  CC  B Y - SA   l ic ense .     Corres pond in g  Aut h or :   Tha nh - Hai  N guye n   Faculty  of Elec tric al  an d El ect ronics E nginee rin g   Ho Chi Mi nh  Ci ty  U niv er sit y of T ech nolo gy  an d E du cat io n   01 Vo  Va n Ngan St reet, Li nh Chieu   W a rd,  Th u Du c  Ci ty , H o C hi Mi nh  Ci ty , V ie t Nam   Em a il :  nth ai @h cm ute.ed u.v n       1.   INTROD U CTION   Sk in   disease ,  wh ic h  is  one  of  the   m os t  com m on   diseases  i n  hu m ans,   ca n  aff ect   t o  al l  ag es  an d  se xes .   In   cu rrent,  the r e  are  m any   patie nts  with  dif f eren t  sk i n  dise ases  and   a   lot  of   de at hs   w or l dw i de.   Mo reover ,  the  sk in  disease  is   a  glo bal  pro ble m ,  ran king  18th  in  the  glob al   ran king  of  world wide  hea lt h  bu r de ns .  I n  a  2017   global  sta ti sti c ,  sk in  diseases   wer e  a bout  1. 79%  of  ot her   diseases  [ 1],  in  w hich  t he  s kin   diseases  i nclu de   d erm at itis  (aller gies,  c on ta ct ,  sebu m ),   acne ,  and   ur ti caria,   ps ori asi s,  vira l  sk in  disease,   fu ngal   sk i n  di sease,   scabies, m el ano m a, p yode rm at it is, cel luli ti s,  carcin om a, u lc erati ve by canc er.   In   rece nt  ye ar s,  enh a ncem ent  of   m edical   i m ages  befor e  segm entat io n  for  i m age  reco gnit ion   or  cl assifi cat ion   ha ve  bee n   a ppli ed  [ 2].  I n  s kin  disease  i de ntific at ion ,  al l  s ki n  disease  im a ges  wer e  se gme nte d  us in g  en ha nce d  le vel  [ 3 ] ,  [ 4].  A  gray   le vel  co - occ urren ce  m at rix  (G LC M)  wer e  a ppli ed  to  these  seg m ented   i m ages  f or  ext ra ct ing  feat ur e s  ap plied   to  a   drag onfly - bas ed  dee p  neura l  netw orks   ( D NN)  cl assifi e r.  It  is   obvious  that  a  m edical   i m ag e  is  of te n  filt ered   noise   f or  segm enting  reg io n  of   inte r est   ( ROI ) ,  in  wh ic h  enh a ncem ent of the  im age f or increasi ng cla ssific at ion  acc ur acy   is  ve ry im po rtant.   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       ROI - ba se d  fe atu res f or  cl as sif ic ation   of ski n disease s  us in g a multi - layer  neur al…  ( Thanh - H ai  Ng uye n )   217   Im age s   are  captu red   from   di ff e ren t  s ources   and   al ways  e xist  diff e re nt  noise s.  I n  pra c ti ce,   there  ar e   ty pes  of   filt ers   fo r  rem ov ing   no ise s  in  im age.  In   order   t o  el i m inate   unwa nted  noise   in  a n  i m age  and   s harpe n  it ,  the  com bin ed  filt er  of  G a ussi an  an d  Butt erwor t h  hi gh   pa ss  was  ap plie d  [ 5 ] ,  [ 6]  in  the  fr e qu e ncy  do m ai n.     In  [ 7 ] - [ 9],  im ages  of  s kin   le sion s  we re  segm en ta ti on   us in g  a   gr owing  m et hod,   i n  wh ic h  a utom at ic   init ia li zation   of  seed   points   w ere  us e d .   The   r esult  of  segem entat ion   t o  ext r act   le sion   area s   in  im ages  was  us e d  in  the  fusio n  of  a  sup port  vector   m achine  (SVM)  a nd  k - ne ur al   netw ork  (k - NN)  for  cl as sific at ion   with  61%  of   F - m easur e.  In  our  researc h,  the  B utterw or t h  high  pass   filt er  will   be  em plo ye d  to  sh a rp e n  areas  of  sk i n  diseas e   befor e  se gm ent at ion .   In   im age  proc essing,  im age  segm entat ion   al gorithm   [1 0]  is  com m on ly  app li ed  t o  se par at e   obj ect   from   an  im age   f or   analy sis  or  rec ogniti on,   Otsu  m et ho d  i s  one  of  th res holdin g  m et hods  are   oft en   em plo ye d  for  segm entat i on   th res ho l ds  [11].  Furthe r m or e,  the  Otsu   segm entat ion   m et ho d  is   util iz ed  to  determ ine  thres ho l d  for  di sease  reg io n  de te ct ion   for  cl assifi cat ion   [ 12] .  In   on e  a pp l ic at ion ,  auth or s  app li ed  to  fi nd   key  po i nts  of  pix el s  con si der e d  a s  the  seed  po i nt s  of   disease d  sk in .  The refore ,  featu res   co rresp onding  to  t he  key   po i nts  ext racted  after   the  se gm entat ion   we r e  app li e d  to  be   input  of  the  cl assifi er  [ 13] .  I n  ou r  arti cl e,  the  Ots u  m et ho d  is  appl ie d  to  segm ent sk in  lesi on are as , call ed  R OI .   In   pr a c tic e ,  the re  are  dif fere nt   filt er  m et ho ds  fo r  e nha nci ng  i m ages  su ch  a s  m edian  and   bo tt om   hat  filt ers  wh ic h  are  of te n  ap plied  f or   de - no isi ng   in  m edical   i m ages.  A u th or s  pro po se d  a  novel  ap pro ach  f or  detect ing   featu res ,  in  w hich  a   Bott om   hat  fil te ring   was  em plo ye d  for  sm oo t hing  im age s  [4 ] ,  [ 14] .  Mo reove r ,   th e  m edian  filt er  is  of te n  util iz ed  f or  rem ove  sal t  an d  pe p per   noise   in   m edical   im ages.  In  this  resear ch,   we   will   app ly   m e dian  an d  bo tt om   hat  filt ers  fo r  el im inati ng  no ise s  in  s kin  diseases  an d  sh a pp e n  sk i n  disease   areas.     Fo r   ef fecti ve  segm entat ion   to  se par at e  R O I  in  im age,  ed ge  detect ion   of  ob j ect s  in   th e  i m age  is   necessa ry.  I n  [ 15 ] ,  a uthor s  pro posed  a  Ca nny  ed ge  de te ct or   with  a  it era ti ve  m edian  filt er  (I MF )  f or  sk i n  le sion   bor de r  de te ct ion ,  in  w hi ch  the  i m pr ov ed  it erati ve  segm entat ion   al go rithm   fo r  bor der   detect ion   of  real   sk in   le sions  produce d  th e  ef f ect ive  res ult.  The  perf or m ance  of  this   al go rithm   is  bette r  than   the   tra diti on al   segm entat ion   al gorithm .  In   ou r  pa per,  the  Ca nn y  m et ho d   is  app li ed  f or   det ect ing   ed ges  i n  sk in  disease  a reas  in im age f or  se par at i ng   R OI.     M orpholo gical   op e rati on  [ 16 ] ,  [ 17]   was  em plo ye d  in  proc essing  T1 - w e igh te d  m agn et ic   resona nce   i m aging   (MRI )   i m ages,  in  w hi ch  dilat ion   is   t o  en ha nce   the  est i m ation   vol um e  m et ho d.   I t  is   ob vi ous  th at   this   m et ho d  is   bett er  com par ed  t o  Stere ology  m et ho d   f or  le ss  MR I  sli ces  a nd   le ss  te st  po ints.  In   dee p  le arn i ng  m et ho ds   for  s kin   le sio n  cl assifi cat ion ,  pr i m ary  m or phol og ic al   el em ent s  are   a  m od ul e  in  the  auto m at i c   detect ion   syst e m .   The  resu lt   of   this  cl assifi cat ion   was  the   76 . 00%  accu r acy   fo r  5  cl asses  of   th e  pr i m ary   m or phologica l  el e m ents  and  the  81.67%  ac c ur acy   for  3  cl a sses  [ 18] .  I n  our  stu dy,  dilat i on  an d  e rosio n  in  the   m or phologica l  appr oach   are  a pp li ed  for  rem ov i ng   unwa nted  sm all  ob j ec t s   and   co nnect in g  dott ed  li nes  in  sk in   disease a reas.   In  m edical   i m ag es,   the  sepa r at ion   of  RO Is  for  featu re  e xtracti on  is  ver y   necess ary.  A   si m ple  and  reli able  ap proa ch  for  s kin   re gi on   s egm entat i on  to  ge ner at e  ROI  ca n  be   a ppli ed.   I n  on e   r esearch ,  a  m et hod  i n  te rm s   of   segm enting   s olid  s ki n  reg i on s  without  ge ner at in g  m uch   no i sy  segm ents  was  pro po se d  in  [ 19] .  A   ROI  c ou l d  be   s epar at e d  base d  on   a naly sis  of  fine  ge om et ric   detai ls  of   s kin  le sion   im ages.  The  res ul t   wa s  that   the  ave ra ge  perform ance  of   t his  m et ho d  was  bette r  the  cu rrent  sta te - of - the - art   te chn i qu es   without     trai ning  [2 0].  It  is  ob vious  t hat  there  ha ve   been   dif fer e nt   m et ho ds   for  separ at in g  a  ROI  in  im age.  In   our  researc h,  after   pr e -   processi ng  im age,   a  Ca nn y  e dge  detec ti on   will   be  a ppli ed  to   se par a te   ROI  f or   e xtr act ing   op ti m al   featur e s u si ng GLC M m e tho d.     Fo r   s kin   disea s e  cl assifi cat io n,   im age  featu re  e xtracti on  usi ng  GLCM  m et hod  play s  an   i m po rta nt  ro le   beca us e  it   can  con ta in  i m po rtant  infor m at ion   of   the  aff ect ed  s kin.  Fo r  feature   ex tract ion   f or   te xture  recog niti on ,   a  GLCM   m et ho d  w as  em ploy ed  [ 21 ] - [ 24] .  I n  t his  re sea rch,  th ree  dif f eren t  data set s   we re  pro po se d,  in  wh ic h  the   fir s t  set   is  a  sim ple  m od ifie d  f eat ur es  e xtract ed  from   the  tradit ion al   GLC M;   the  seco nd   set   use s  two  s ub - se ts  of   featu res   extracte d  f r om   two  GLC M  m et ho ds   c al culat ed  us in g  two  disp la cem ent  va lues;  the  thi r d  one  was  pas sing   t he  e xtrac te d  set   of  the  GLCM  th rou gh  a n  arti fici al   neural  netw ork  (AN N)   for  cl assifi cat ion .  In  cu rrent,  m any  m eth ods  ha ve  be e n  a pp li ed  f or   cl assifi cat ion   of   s kin  le sion s  [25 ] ,  [ 26] .  The refo re,  these  featu re  c om po ne nts  we re  us e d  to  be  t h e  in pu t  of   t he   cl assifi er  to  cl assify   diff e re nt  sk i n  diseases.  O ur   stud y  is  that  a  GLCM  is  uti li zed  for  e xtra ct ing   feat ur es  and   just  6  optim al  feat u re s  of  ele ven ones  u se d   for  cl assifi cat ion o f  s kin dise ases.     W it h  m any  di ff e ren t  hum an  sk in  diseases ,   it   is   ver y  i m portant  to  cl assify   and   fin d  the  disease  autom at ic ally  because   it   help s  doct ors  to  ea rly   diag no se   th e  disease  a nd   t he  patie nt  can  be  treat ed  ea rl y  and  eff ect ively .  In  recent  ye a rs,   the  cl assifi cat ion  of  diff e ren t   com po ne nts  us in g  a n  a rtifi ci al   i nte ll igence  (AI )   m et ho d  has  be en  ve ry  po pu la r  an d  e ff ect ive   [27 ] ,   [ 28] .  I n  par ti cula r,   a uthors  pro posed   a   dee p  co nvol ution al   netw orks  with   a  su sta ined  c om bin at ion   f or  the  cl assifi cat ion   of  dam a ged   s kin   dise ases  [27].  W it h  this   pro po se d  m et ho d,  the  dee p  le arn i ng   netw or k  wa s  em plo ye d  f or  te sti ng   ov e r  900  s kin   disease  im ages  and  it   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   1 ,  Ju ly   2021 :  2 1 6   -   2 2 8   218   gav e   relat ivel y  good  re su l ts.   A rtific ia l  intel li gen ce  al gorithm s  were   pro posed   f or   cl assi fyi ng  sk in     diseases  [ 29 ] ,  [ 30 ] .  In  pa rtic ular,  a  C NN  m od el   com bin ed  i ntra - a rch it ect ur e  a nd  i nt er - a rch it ect ure  netw ork   fu si on   [31]  or   a  com pact  deep   le ar ning - ba sed  cl assifica ti on   m od el   wit h  a  sepa ra ble  conv olu ti onal   neural   netw ork  [32],  t he  sta te - of - art  DNN  [33]   were  util iz ed .  In  one  researc h,  au thors  pro po se d  a  re gion - base d  C N N   (F RC N N)   f or  trai ning  cl inica l   i m ages  of   pig m ented  sk i n  le sion s ,  in  wh ic h  there  w ere  m a li gn ant   tu m or     i m ages  [34].  T he  res ults  of  t his  resea rch  w as  com par ed  t o  an oth e r  rese arch   t o  il lustra te   the  bette r  propose d  m et ho d.   I n  res ea r ch  [ 35 ] ,  a  C NN   was  a ppli ed  in  t he  cl assif ic at ion   o f  Ps ori asi s  sk in  disea se  with  the   acc ur acy   rate  of   82. 9%   and   72. 4%  f or   Plaq ue  an d  Gu tt at e  Pso ri asi s  sk in  disea se,  resp ect i vely .  It  is  ob vious  that   cl assifi cat ion   m od el s u sin g AI  m et hods   for  b ig  m edical  i m age sets are  very  im po rtant.   In  this   arti cl e,  we  ha v e  pro posed  an  aut om a ti c  cl assifi cation   m e tho d,  in  wh ic h   six  opti m al   featur es   are  e xtracted  f ro m   five  balan ced  ty pes  of  s kin   diseases  a nd  the n  they   a re  c om bin ed  t o  a  m ulti   la ye r  ne ur al   netw ork  (ML N N)   [36 ] ,  [ 37]   fo r  hi gh   cl assifi cat ion .  All  thes e  i m ages  are   pr eprocesse d  to  r e m ov e  unnece ssary   com po ne nts,  a s  well   as  to  en han ce  t hem   bef ore  se g m entation   for  se par at ing   R OI s  befo re  extracti ng   optim al  featur e s  us i ng  a  GLCM .  Th ese  extracte d  f eat ur es  are   use d  to  be  t he  inputs  of  the  MLNN  cl assif ie r.   Th e   aver a ge  acc ura cy  o f   the  high  cl assifi cat ion  i s ev al uated usi ng a c onf us io n m at rix .       2.   METHO DOL OGY   It  is  ver y  im portant  t o  det ect   an d  cl assi fy  hum an  sk i n  disease  ea rl y  beca us e  it   can  help   the  ph ysi ci ans ’  c or rect  dia gnos is   f or  treat m ent   early .  I n  t his  rese a r ch ,  a   sk i n  dis e ase  detect io n  m et ho d  is  base d  on  the  extracti on  of   th e  surface  te xtu re  featu re s  of   t he  diseas e  sk in  im age.  Ther e f or e,  t he   featur e  set   wi ll   be  sta ti sti cally   analy zed  to  sel e ct   the  opt i m al   featu res  f or  trai ning  a nd  cl assifi cat ion   process  us in g  a  MLN N   structu re .   It  is  obvious  t hat  th is  will   ta ke  m or e  ti m e  fo r  pro cessi ng  disease   sk in   im ages  and  sel ect ing  op tim a l   featur e s  before   sk i n  disease   cl assifi cat ion  with  high  ac cur acy .   W it h  sel ect ed  opt i m al   featu res,   a   si m pler   MLNN  str uctu re ca n be a pp li ed , i n wh ic h  it s  t rainin g  ta kes l ess tim e and  c la ssific at ion   pe rfor m ance is h i gh .     2.1.       S kin im age pre - pr ocess ing  fo r  det er mi ning  ROI   Im age  pr e - pro cessi ng   is  a n  im po rtant  sta ge   in  the  extracti on   of   im age  fe at ur es  f or  cl assify ing   s kin  diseases.  T herefo re,  im age  dataset s  are   pro cessed  to  e nh a nce  the  im age  qu al it y  befor e  extracti ng  struc tural   featur e s  f or  the   sk in   disease   cl assifi cat ion  with  higher  accuracy  us in g  neural  net w orks.   To   anal yz e  the   diseased  s kin   obj ect s  in  the  i m age,  we  nee d  to  disti nguish   the  obj ect s  of   i nterest  f ro m   the  rest  of   the  i m age,  cal le d  the  bac kgr ound.  The s e  obj ect s  can   be  identifie d  us ing   a  se gm entat ion   m e t hod  to  sep ara te   the   foregr ound  f r om   the  i m age  f or   c ollec ti ng  ROI.  The   RO I   par t  m ay   con t ai n  di ff e ren t  f eat ur es  su c h  a s  colo r,   un i form i ty ,  te xtu re,   gra y  le ve l,  fr e quency  or   m o m ent.  The se  featu res  c a n  form   a  featu re  vector  ass oc ia te d   with the  RO I  a nd this  helps  to  d ist in gu is h dif fer e nt s kin  lesi on s  usi ng a  ne ur al   netw ork.   In  this  pa per ,   the  process   of  RO I  se parat ion   will   be   carrie d  out  thr ough  se ve n  ste ps .   T he     pre - pr ocessin g  ste ps   will   m a ke  the   bette r   s kin   disease  im age  befor e   pe r form ing   the  se gm entat ion   to  separ at e   the  ROI  f ro m   the  sk in  diseas e  i m age  fo r  fe at ur e  extra ct io n.   I n  pa rtic ular,   the  ste ps   f o r   pr oc essin g  of   sk in  i m ages ar e,    Step  1:   T he  ori gin al   im age  f ( x ,y )  will   be  nor m al iz ed  fo r  the   sa m e  siz e.  Then   the  im age  e nh a ncem ent  g ( x,y )  i s   cal culat ed by  c onvoluti ng   a  ke rn el   k 1 ( s , t )  w it h  the  im age  f ( x,y ),      ( , ) = ∑ ∑ 1 ( , ) ( − , − ) = − = −   (1)     Step  2:   T he  i m age  after  e nhance m ent  will   be  trans f or m ed  to  pro du ce   the  Fou rier  im ages  ( , )   in  th e   fr e qu e ncy  dom ai n  befor e  filt erin g  out  the  low - fr e quency  c om po ne nt.  I n  this  stud y,  the  Butt erwor t h  hi gh   pass  filt er  was  a ppli ed  to  s ha rp e n  for  the   pur pos e  of  en ha ncin g  detai ls,  hi gh li gh ti ng  par ti cl e s  in  the   RO I  r egio n,  wh ic h  are  c on sidere d  the  le sion s  of   sk i n  diseases.  T he  i m age  ̃ ( , )   us ing   t he  Butt erwo rth  filt er  is   descr i bed ,      { ̃ ( , ) = ( , ) ∗ ( , ) ( , ) = 1 1 + [ 0 / ( , ) ] 2   (2)     wh e re  D( u , v )  i s  the   Eu cl idea n Dist ance  from  an y  po i nt ( u , v )  in  the im age G ( u , v )  to  the  ori gin   of the  fre qu e ncy  plane,  ( , ) = √ 2 + 2   and  D 0   desc ribes  the  cu t - off fre que ncy.   Step  3:   T he  filt ered   im age  us ing  the   Butt er w or t h  filt er  will   be  c onve rted  i nto   t he  im age  ̃ ( , )   in  the   sp at ia l  do m ai n   be fore   us in g  t he  Ots u  [ 4]  m et ho d  for  fi ndin g  th e  thres hold  f or  im age  segm entat ion   a nd  f or   t he  Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       ROI - ba se d  fe atu res f or  cl as sif ic ation   of ski n disease s  us in g a multi - layer  neur al…  ( Thanh - H ai  Ng uye n )   219   conve rsion  to b ina ry  i m ages  ̃ ( , ) .  The  segm entat ion   is  to r em ov e  the b ac kgr ound o f  t he  nor m al   sk in  to b e   black, an d kee p  the  d ise ase d skin  to be  w hite i n  the  b i nar y  i m age.   Step  4: T he bin ary im age w il l be  rem ov ed  sal t and pe pper  noise  by the m edian fi lt er  ̃ ( , ) .   Step  5:  A  bott om - hat  filt er  will   be  ap plied   to  the  im age  ̃ ( , )   after  rem ov i ng  so m e  el e m ent s  not  to  be  i n  the  disease  sk i n  im age  area,  su c h  as  hairs  or   oth e rs.  The   i m age  ̃ ( , )   is  cal culat ed  us in g  t he  bo tt om - hat   filt er  m ulti plied   with the   ke r ne l  k 2 ( s , t ) ,      ̃ ( , ) = ̃ ( , ) + ∑ ∑ 2 ( , ) ̃ ( − , − ) = − = −   (3)     Step  6: Th e   filt ered   im age   ̃ ( , )   is  erode d  to  rem ov e the  un know n  sm al l areas and the n detec te d  the  edge  of  the  disease  s ki n  area u si ng   a Cann y  m et ho d  [15].  T her e fore ,  the  im age  with  the d ise ase  s kin   e dg e   is  dilat ed  to   connect  the   do t te d  li nes.   Step  7:   Finall y,  fin ding  the  re gion  with  the  l arg est   area  t o  s epar at e  the  RO I  is  perform ed.   In   pa rtic ular ,  to  fi nd   this   la rg est   regi on ,  it   is  necessary  to  identif y  the  reg io ns   f il le d  in  the  bin ary  i m age.  Ther ef or e ,  the  co nnect e d  obj ect   com pone nts  are  fou n d  and   eac h  fill ed  ob j ect   is  ass ign e d  a  la bel  f o r  i den ti ficat io n.   F ro m   the  la be le d  obj ect s,  we  ca n  dete rm ine  the  area  of  the  obj ect s  base d  on  the  nu m ber   of   pix el s  a nd   t he  in dex   f or   e xtracti ng  the ob j ect  w it h t he  la r gest a re a.   The  res ult  obta ined  a fter   pre - proce ssin g  is  the  RO I  a rea  of  the  s kin  di sease  to  ser ve   f or   featu re   extracti on.  It  m eans   that  pr e - proce ssin g  for   sepa rati ng  the   ROI   area   ca n  ta ke  m or e  ti m e ,  but  it   will   ta ke   le ss   tim e fo r  trai ning  process  u si ng the  MLN N f or cla ssifyi ng s kin   disease im ages.     2.2 .       Fe ature  ext r act i on   of  ROI   Af te r   e xtracti ng  the  R OI   regi on   from   the  sk in  disease  im age,  a  GLCM   m et ho d  is  em plo ye d  f or  featur e   ext racti on .   W it h  di fferent  s kin  col or  im ages,  ther e  is  a  diff e rence   in  the   s kin   le sion   a rea  relat ed  t o  structu re,  fr e quency ,  a nd  ot her   par am et ers.   W it h  the  te xture  distri bu t ion   a nd   par a m et ers  in  the  GLCM   al gorithm   of   t he  s kin  diseas e  im age,  we  can  ob ta i n  dif fer e nt  feat ur es   by  t he  a naly sis  of  s kin  te xture ,   rou ghness,  un i form i ty  o f  the   sk in , a nd sk i n condit ion.   The   GLCM  al gorith m   is  on e   of  m et ho ds   use d  for  e xtract ing   im po rta nt  featur e s  relat e d  to   im age   te xtu re  a naly sis.  I n  pa rtic ular ,  each  el em ent  in  the  im age  represe nts  the  pro bab il it y  of   occurri ng   t he   sam e   intensit y  at   the  ty pical   distan ce   d   and   t he  a ng le   θ .  The refor e ,  the re  can   be  m any  diff e r ent  GLCM  m at rices   dep e ndin g  on  the p ai r  of   d   a nd  θ .  I n  this  st udy, with  da m a ged  sk i n  diseas e,  only   so m e  im po rtant  featu res  s uch  as  con tra st,  en erg y,  ho m og e ne it y,  m ean,  stan da r d  de viati on ,  ent ropy ,  w hi ch  are  sync hrono us   an d  re pe ti ti ve,   are  co ns ide re d.  From   these  sel ect ed  featu re s,  their  vecto rs   are  us e d  in  t he   MLNN  cl ass ifie r.   I n  the  G LCM  al gorithm ,  feat ur es  s uc h  as  c on t rast,  ene r gy,  hom og eneit y,  m ean,  sta nd a rd   dev ia ti on,  e ntr op y  can  gre at ly  diff e r  f ro m   othe r  gro ups  an d  so   they   can  be  dataset s  ch os e n  f or   trai ning  and   cl assify in g  in  the  MLN N .  Af te r  pre - pr ocessin g  sk in  im age  and   sepa rati ng  th e  ROI  of   the  i m age   G ( i , j ) ,  th e  op ti m al   fo ll ow in g  feat ur es  will   be   cal culat ed usin g  the  GLC M.   Con tra st  feat ure  is  to   m easur e  the  s patia l  f r equ e ncy  of  s kin   im age  w hich   is  the   dif fer e nc e  bet wee n  the  hi gh e st  an d  lo west  value s  of  a  c onti guou s/a djacent  s et   of  pi xels.  In  pa rtic ular,  the   co ntrast  ca n  m easure   the  am ou nt  of   local   va riat ions  present  t he  s kin   im age.  I n  a dd it io n,   t he  c ontrast   descr i b e s  the  dep t h  of  "t extil e   gro ov es"   of  t he   im age.  The re fore,   if  t he  c ontrast   val ue  is  hi gh e r,  the   “g roo ves”  is   dee pe r.  The   c on tra st  f eat ur e   cab  be  cal c ula te d usin g  t he  f ol lowing  form ul a ,       = ∑ ∑ ( − ) 2 ( , ) − 1 − 1   (4)     in  w hich   |i - j |   i s  the  gray scal e  diff e re nce  bet ween   a djacent  pix el s ,  P (i, j )  is   the  el e m ent  (i,j)   of  the  norm al iz ed  sy m m e tric al   GLCM,  cal le d  the  distri bu ti on  pro bab il it y  of   the  dif fer e nt  gr ay scal e  le vels  bet wee n  the  ad j acent   pix el s.  L is t he nu m ber   of gra y l evels in t he skin  d ise ase  im age.     Entr op y  is  an  i m po rtant  featu re  w hich  al lo w s  to  m easur e  inf or m at ion   of  the  disor der   or  com plexity  of   s kin   im age.  In   par ti cula r,   t he  ent ropy  is  la rg e  w hen   t he  sk in  im age  is   no t  te xt ur al ly   un i form ,  in  whic h  the   entr op y  is  hi gh,  po te ntial ly   t he  pa rt  of  sk i n  im age  has  com plex  te xtu r es.  I n  ad diti on,  w hen   t he  ent ropy  is   strongly, it  m ay  inv e rsely  cor relat e to e nerg y. The  en tr opy  value  is  calc ul at ed  usi ng the  foll ow i ng for m ula:      = ∑ ∑ ( , )  ( , ) − 1 − 1   (5)     Inverse  Diff e r ence  M om ent  is  cal le d  hom og e neity   of  s ki n  im age  and   can  s how   la ge r  va lues  f or  sm a ll er  gr ay   ton e   dif fer e nce s  in  pair  el em ents.  In   a ddit ion,  it   is  m or e  sensiti ve  t o  the  pr ese nce  of  ne a r   diag on al   el em e nts  in  the  GLC M.  Th us ,  it   has   m axi m u m   val ue  w he n  al l  el em ents  in  the  ski n  i m age  are  sa m e.   In   a ddit ion,  hom og eneit y  is  us e d  to   desc r ibe  the  rou ghness  of  the  i m age  struct ur e .  It  m eans  tha t  if  th e   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   1 ,  Ju ly   2021 :  2 1 6   -   2 2 8   220   ho m og e neity   Hg   value  is  great er,  the  rou ghne ss  o f  the  i m a ge  structu re   at   that  da m ag ed  area  will   be   gr eat er.   The u niform  v al ue  of s kin dis eases can  b e  d e scribe d ,       = ∑ ∑ 1 1 + ( − ) 2 ( , ) − 1 − 1   (6)     W it h  the  featu re  base d  on   e ne rg y,  the  im ag e  with  le sion   sk in  pa rt  can  produce  a  m axim u m   value.  More ov e r,   this   energy  m et hod  is  to  m easur e  the  te xtu re  unif or m ity  and   detect s  disorde rs  in  te xtures  and   is   us e d  to   de scrib e  the  t hick ness   of  the   str uctu r e  of  a  sk i n  dise ase  im a ge.   The   ene rg y  of  this   sk in   disease   im age  can  be descri be d   us in g  t he  f ol lowing e xpres sion,       = ∑ ∑ ( , ) 2 − 1 − 1   (7)     Me an  is  the  aver a ge  gray   le vel  of   the  im a ge  of  s kin   dis ease  wh e re   G ( x , y )  is  the  i m a ge  after  p r e - processi ng   with  the  siz e   m × n .  In   ad diti on,  the  gray   intensi ty   of   pix el s  is  norm al iz ed  in  t he  ra ng e  [ 0,1]  before   cal culat ing  t he   aver a ge of  s kin disease i m ages,       = ∑ ∑ ( , ) − 1 = 0 − 1 = 0 255 × ×   (8)     Feat ur e   relat e d  to   cal culat io n  is  sta ndar d  dev ia ti on.   Thi s  feat ur e  re pr e sents  a   com par iso n  of  th e   m ean  sta ndar d  de viati on   val ues  of  dif fe re nt  sk i n  diseas es.  It  ca n  be  s een  that  t he  diff e ren ce   bet we en  the   disease cl asses  can be  desc rib ed wh e n  a naly zi ng  t he  sta nd a rd d e viati on of  the gray  level  of the s kin i m a g e,       = √ ∑ ∑ ( ( , ) 255 −  ) 2 − 1 = 0 − 1 = 0 ×   (9)     An al ysi s   of  th e  featu res  of  s kin   diseases   is  i m po rtant  f or  c la ssific at ion .  H ow e ve r,   t her e   is  an   exce ss   betwee n  pa ram e te rs  or  s om e  f eat ur es  with out  the  dif fer e nce   betwee n  s kin   diseases.  It  is  obvi ous  that  thi s  will   ta ke  tim e  fo r  cal culat ion   with ou t  ben e fit  for   trai nin g  proce ss  of   s kin   dise ase  cl assifi cat i on.  I n  this  stu dy ,  the   cal culat ion   an d  sta ti st ic s  of   the  featur es  of   th e  sk in  diseases   will   be  the  basis  fo r  the  sel e ct ion   of  featu r es  that  can  re flect   the   sk in  featu res   at   diff e re nt  le vels.  Af te r   a naly zi ng   datas et s  from   el even   ty pes  of   dif fer e nt  featur e s  us in g  the  GLCM  al go rithm ,  the  resu lt s  sh owe d  th at   there  are  six   op ti m a l  featur es  cho se n:  co nt rast,  energy,  ho m ogeneit y,  m ean,  sta nd a rd   de viati on,  e ntropy .  T hese  feature   ty pes  s how  t he  l arg e  c ha nge  be tween   diff e re nt sk i n d ise ases an d  a re  u se d  t o  ef fecti vely  train  for  t he  s kin disease  classi ficat ion .     2.3.       Multila ye r neur al   ne t w ork  s truc tu r e   f or  skin  dise as e cl as sific ati on   In   this  resea rc h,   as  the  num ber   of  sk i n  di seases  increas es,  it   beco m es   m or e  diff ic ul t  to  directl y  cl assify   sk in  di seases  with  hig h  acc uracy   w it ho ut  pr e - proc essing  im ages.   Ther e f or e ,  it   is  necessa ry  to   pr e - process  the  im age  befor e  s egm entat ion   of   separ at i ng   R OI s  a nd   this  will   op tim iz e  trai ning  proce ss  and  cl assifi cat ion   with  high  acc uracy   us i ng  the   MLNN .  P re vious  w orks  ha ve   sho wn  that  th e  ne ur al   netw ork   can   be  well   app li e d  in  m edical   diagnostic   syst e m s   [2 9 ] ,   [ 30] .  Ther e f or e,  in  our  arti cl e,  the  cl assifi cat ion   of  sk in   diseases  will   be  perform ed  usi ng   t he  MLN N,   this  ca n  re su lt   in  a  highe r  accu racy  cl assifi cat ion   us i ng   six   op ti m al  f eat ur e s of s kin   diseas e i m ages.   The   ML N N  is   the  a bili ty   of   bette r  processi ng  com p le x  re la ti on sh i ps   between  di ff e ren t   pa ram et ers   and   t hen   e ffe ct ively   cl assify ing   ba sed  on   le arn in g  f r om   the  process ed  trai ni ng   da ta .  The  s ucce ss  of   a   cl assifi cat ion   s yst e m   based   on  the  MLN N  de pends  on   t he  m od el   arch it ect ur e  of  the  net work   a nd  the  t rainin g   a lgorit hm .  Fu r therm or e,  the   nu m ber   of  hi dden   la ye rs  as   well   as  the   nu m ber   of   node s   in  the   net wor k  a re   determ ined  us i ng   the  tria l  an d  erro r  m e tho d  du ri ng  the  cl assifi cat ion   pro cess  rep eat e d.   In   pa rtic ular ,  the  loss   functi on  MSE   an d  t he  act iv at ing   functi on   Lo g - sigm oid   can   be   sel ect ed  t o  be  s uitable   f or  trai ning  a nd   cl assifi cat ion   of s kin   diseases   eff ect ively .   In   t he  MLN N   with  back - prop a gatio n ,  m ean  s qu a re  e rror   (MSE )  is  the  m os t  com m on ly   us ed   regressio n  lo ss   functi on.  T he  MSE  is  the  sum   of   squa red   di sta nces  be tw e en  the  ta r get  va riable  an d  pr e dicte d  values  and calc ulate d,        = 1 ∑ ( − ̂ ) = 1 2   (10)     wh e re   y i   is  the   desire d  ne ur al   netw ork   outp ut,  a nd   i y ˆ   is  the  neural  netw ork   outp ut  an d  n  is  the  nu m ber   of   ou t pu t  no des.   In   a dd it io n,   in   this  MLNN,   log si g  is  a  tran sfer   f unct ion   f or   ca lc ulati ng  a  la ye r’ s  the  outp ut  y  from  it s n et  input x :   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       ROI - ba se d  fe atu res f or  cl as sif ic ation   of ski n disease s  us in g a multi - layer  neur al…  ( Thanh - H ai  Ng uye n )   221   ( ) = 1 1 + −   (11)     In   t his  ML NN,  the  i nput  dataset   is  a  vect or   of  six   opti m al   featur es  e xtracted   f ro m   the  G LCM   al gorithm .  In   add it io n,   eac h  sk in  diseas e  in  five  ty pes  is  con st ru ct e d  wit h  a  set   of   10 0  i m ages,  wh ic h  woul d  gr eat ly  enha nc e the classi fica ti on  acc ur acy .       3.   E X PERI MEN TAL RES UL TS   3.1.     Skin  dise as e d atase ts   Dataset s,  i n  th is  stud y,   are   f ro m   IS IC   data base,   inclu ding  10,00 0  im ages  f or  se ven  ty pes  of  ski n  diseases.  For t he  e valuati on  of cla ssific at ion  eff ect ive ness,  500  im ages of skin  diseases   wer e c hose n  to  b e  100  i m ages  for  eac h  ty pe,   i n  wh i ch  eac h  dataset   was  div ide d  80  im ages  fo r   trai ning  a nd   20  on es   f or   te st ing   a s   descr i bed in  T able 1.       Table  1.  Re pr e sentat ion o f da ta set s f or trai nin g  an d  te sti ng  of f ive  ty pes of ski n disease   Tr ain in g  and  testin g  i m ag es   Bas al cell  c arcino m a   Ben ig n  keratos is   Der m ato f ib ro m a   Melano cy tic  nev u s   Melano m a   Tr ain in g   100   100   100   100   100   Testin g   20   20   20   20   20       3.2.     Sep ar at i on o f ROI   In   this  a rtic le ,  the  sk in   diseas e  i m ages  wer e   resized  to  the   512x512  sam e  siz e  and   the n  la beled  as   sh ow n  in  Fig ur e  1.   Be f or e  separ at in g  RO I  from   a  sk in  disease  i m age,  i m age  proc essing  m et ho ds  were   app li ed .  I n  pa rtic ular,   the  i m age  with  the   ROI  was  e nh anced   us in g  t he  ke rn el   K 1   in  ( 1)   as  descri bed   in     Figure  2.   I n  ad diti on , u nneces sary  no ise s  in  the  i m age  wer e  rem ov ed  us i ng  the  Butt erw ort h  high - pass  filt er  i n  the  fr e que ncy  do m ai n  as  sho wn   i n  Fig ure  3 .  T his  im age  was  c onver te d  to  the  bin a ry  i m age  with  the   blac k  ROI  a nd  the   w hite  bac kg r ound  as  sho wn  in  Figure  4 .  Ne xt ,  the  bin a ry  im age  was  proce ssed  t o  c on ti nu ou sly   el i m inate   unne cessary  d et ai ls  us in g  the  m ed ia n  filt er  as  sh own  in  Fig ure  5 ,  the n  it   re m ov ed  s kin   hair  detai l   us in g  th e  bott om - hat  filt er  with  kernel  K 2   in  (3)  as  desc ribe d  in   Fig ur e   6.  The  e rosio n  al gorithm   was  a pp li ed   to f il l t he  s ki n disease   a reas a s sho wn in  Fig ur e  7.                Fo r   the   RO I  s epar at io n,  the   Ca nn y  e dge  de te ct ion   was  ut il iz ed  in  the   bin a ry  im age  as  sho wn  in  Figure  8.   The   ero si on  m et ho d  was  a pp li ed   for  li nkin g  e dg es  of  obj ect s  a s  sho wn   i n  Fi gure  9,  the n  the y  wer e   fill ed  al l  obj ect   reg i ons  a nd  la beled  a s  s how n  in  Fi gure  10.  The  R OI   area  i n  fill ed   bi nar y  i m age  was  e xtr act ed   base d  on  t he  la rg est   R OI   a rea  as  show n  i n  Fi gure  11 ,  the n  it   was  m ulti plied   to  t he  e nh a nc ed  or igi nal  im a ge  to   pro du ce  t he  e nhance d  or i gin a l  ROI  as  sho w n  in  Fig ur e  12  befor e   extr act ing  featu res  for   cl assifi cat ion   of   s ki n  diseases.                   Figure  1. Im age r esi zed   512x51 2       Figure  2. Im age af te r  enh a ncem ent       Figure  3. Im age af te r  bu tt er w or th   hi g h - pass       Figure  4. Bi nary  i m age     0 0 0 0 5 . 1 0 0 0 0 1 K   0 0 1 1 1 0 0 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 0 0 0 1 1 1 0 0 2 K Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   1 ,  Ju ly   2021 :  2 1 6   -   2 2 8   222             Figure  5. Im age af te r  t he  m edian  filt er         Figure  6. Im age  el i m inate d  s kin hairs         Figure  7. Im age af te r  t he  ero si on         Figure  8. Im age w it h  t he  Ca nn y e dge  de te ct ion                 Figure  9. Ed ge  i m age  erode d     Figu re  10. Im a ge wit h  the f il le d o bj ec ts     Figure  11. Im a ge wit h  the lar gest area     Figure  12. Ori gin al  R OI   i m age       All   sk in  diseas e  i m ages  hav e   been   processe d  us i ng   im age  processin g  m et hods .  Fi gure   13   s how e d  ROI  im ages  separ at e d  f r om   the  proce ssed   i m age  of   5  t y pes  of   sk i n  di seases  s uch   a s   basal  cel l  car ci no m a   (F ig ur e   a0 - a1 ),   ben i gn  ke r at os is   (F i gure   b0 - b1),   de r m at of ibr om a  (F ig ur e   c0 - c1 ),   m el ano cy ti c  ne vus     (F ig ur e   d0 - d1 ) ,  m el ano m a  ( Figure  e 0 - e 1).   The   RO I  im age  retai ns   m os t  of   t he  dis eased  s kin  are a  an d  unnecess a ry  ar eas  are  rem ov ed  f or  cl assifi cat ion .  T he  ac cur at e  R OI   se par at io n  is  im portant,  beca use   th e   a m ou nt  of   t he  i m po rtant  feat ur e  i nfor m at ion   in  the  R OI   m akes  it   cal culat e  featur es  fas te r  an d  m or e  accurate   for  cl assifi cat ion.  T her e f or e,   featur e s  in   the  ROI  i m ages  w ere  e xtracted   usi ng   t he  GLC M  m et ho d,  in   wh ic h  6  op ti m al  feature s  of   11  ones  wer e  sel ect ed  for  trai ning  an d  cl assify   sk in   diseases.  W it h  the  or i gin al   ROIs   separ at e d  f r om  5  s kin   disease s,  it   is  obvious   that  there  is  t he  str uctu ral  di ff e ren ce  am ong   s ha pes ,  c olo r s  an d  oth e rs.   From   t hese  diff e re nt  factors,  6  op i t m al   featur es  e xtracted  us i ng  the  G LCM   possibly   e nh a nc e  the   cl assifi cat ion  a ccur acy .                 (a0)   (a1 )   (b0)   (b1)            (c0)   (c1)   (d0)   (d1)       (e0)   (e1)     Figure  13. Re presentat io n of t he   or i gin al  a nd the R OI  im ages s epa rated  aft er e nh a ncem ent an d se gen ta ti on ;  (a0)  basal  cel l  carci - nom a , ( a 1 )  ROI o f  basa l  cel l carci - no m a i m age ,  (b0 )   be nign  ker at osi s ,  ( b1)  R OI of  ben i gn  ke ratosi s im age ,  (c0)  de rm at o - fibrom a ,  (c 1) RO I of  der m at o - fib rom a  i m ag e ,  (d0 )   m e la no - cy ti c  nevus ,  (d1) RO I of  m el ano - cy ti c n ev us  im age ,  (e 0)  m el ano - ma , and  (e1) R OI   of  m el ano - m a i m age   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       ROI - ba se d  fe atu res f or  cl as sif ic ation   of ski n disease s  us in g a multi - layer  neur al…  ( Thanh - H ai  Ng uye n )   223   3.3.     Fe ature  e xt r act i on   fr om  ROIs  u sing   a  GL C M alg or ithm   Figure  14   s ho wed   t he  val ue s  of   11  feat ures  cal culat ed  us in g  the  GL CM   al go rithm ,  in  w hich  10  i m ages  of  Ba sa l  cel l  carcino m a  (cell   carci nom a)  wer e   use d.   Ba sed  on  in f orm ation   in   Fig ur e   14,   we  can   easi l y  evaluate  that  e ach  of  11 f eat ures  f or   t he  10  s kin  d ise ase  im ages  is  nea rly   si m i la r.   This  is  the  basis o f  us i ng   t he   GLMC al gorit hm  f or  e xtrac ti ng f eat ur es .     Table  2  an d  T able  3  showe d  the  Mi n - Ma x  threshold  values  of  each  fe at ur e  in  five  t ypes  of   s kin   diseases,  i nclu ding:  bas al   ce ll   carcino m a  (No.   1),  be nig n  ke rato sis  ( No.  2) ,   de rm at of ib ro m a  (No.   3),   m el ano cy ti c  nev us   (num ber   4),  m el ano m a  ( No.  5).  I n  ad diti on ,  f ro m   Table  2,   two  feature s  of   sm oo th ne ss  an d  ID M  hav e  t he  Mi n  (1.0)  an d  Ma x  ( 1.0)   valu es  corres ponding   t o  each  dise ase  with ou t  c ha ng e ,  res pecti ve ly ,  so   it   was   no t  sel ect ed.   I n  ad diti on   to  tw o  Sm oo t hn e ss  an d  I DM  featu res,   correla ti on   fea ture  has  the  to o  sm all  diff e re nce  bet ween   Mi n  an d  Ma x  value s ,  j us t  0.0 5,   it   was  no t  ch ose n.   Wh il e  two  feat ur e  pa irs  of     m ean - va ri a nce   and   RM S - co nt rast  are  sim il a r,   s o  we  just  cho os e  one  pair   of   m ean  an d  c on t rast .  T he  gr oup  of   six  featu res  sel ect ed  inclu ding:  con t rast,  en erg y,  ho m og e ne it y,  m ean,  stan da r d  de viati on ,  an d  ent ropy   diff e r   gr eat ly  whe n  c om par ing t he m in an d m ax  va lues fo r disea ses and ca n be  us e d  f or traini ng in  the clas si fier.             Figure  14. Re presentat io n of  11 f eat ur es  of  10 Basal  cell  c arcin om a i m ages       Table  2.  Ele ve n  a ver a ge feat ures e xtracted  fr om  f ive ty pes of ski n disease   us in g  t he GLC M   Sk in  dis ease class   Co n trast   Ho m o g en eit y   Entro p y   Mean   RMS   Energy   m in   m a x   m in   m a x   m in   m a x   m in   m a x   m in   m a x   m in   m a x   1   0 .03 7   0 .21 1   0 .95 8   0 .99 5   0 .12 7   0 .73 3   0. 018   0 .20 5   0 .04 2   0 .37 4   0 .34 6   0 .93 9   2   0 .05 8   0 .82 5   0 .94 6   0 .99 3   0 .23 8   0 .97 8   0 .03 9   0 .41 4   0 .09 6   0 .55 2   0 .33 5   0 .82 5   3   0 .02 2   0 .15 8   0 .96 9   0 .99 8   0 .03 3   0 .35 5   0 .00 3   0 .06 7   0 .02 2   0 .15 3   0 .46 3   0 .97 4   4   0 .03 6   0 .32 4   0 .95 3   0 .99 7   0 .13 0   0 .97 3   0 .01 8   0 .99 7   0 .05 2   0 .56 3   0 .33 4   0 .9 47   5   0 .03 6   0 .42 0   0 .91 5   0 .99 5   0 .07 6   0 .80 6   0 .00 9   0 .24 7   0 .05 0   0 .41 7   0 .25 2   0 .94 1       Table  3.  Ele ve n  a ver a ge feat ures e xtracted  fr om  f ive ty pes of ski n disease   us in g  t he GLC M   Sk in   d iseas e class   Stan d ard   Dev iatio n   Varience   S m o o th n ess   Co rr elatio n   IDM   m in   m a x   m in   m a x   m in   m a x   m in   m a x   m in   m a x   1   0 .13 1   0 .40 4   0 .01 4   0 .12 3   1 .00 0   1 .00 0   0 .93 8   0 .98 8   1 .00 0   1 .00 0   2   0 .19 4   0 .49 3   0 .02 2   0 .16 0   1 .00 0   1 .00 0   0 .96 5   0 .98 9   1 .00 0   1 .00 0   3   0 .05 9   0 .25 0   0 .00 3   0 .04 6   1 .00 0   1 .00 0   0 .86 1   0 .97 3   1 .00 0   1 .00 0   4   0 .13 3   0 .49 1   0 .01 5   0 .17 7   1 .00 0   1 .0 00   0 .95 3   0 .98 9   1 .00 0   1 .00 0   5   0 .09 6   0 .43 1   0 .00 9   0 .14 1   1 .00 0   1 .00 0   0 .83 5   0 .98 4   1 .00 0   1 .00 0       Figure  15   repr esented  si x  fea ture  sta ti sti cs  fo r  five  im age  dataset s  of  sk i n  disease s  to  il lustrate   th e   diff e re nce.  T hi s  is  the  basis   for  c hoos i ng  these  six   fea tur es  for  trai ni ng   i n  the  cl a ssifie r.   In  pa rtic ular ,     Figure  15 ( a )   presented  th e  co ntrast  pa ram eter s  of  five  cl as ses  of   s kin   dis eases  aver a ge d  from   10 0  im a ges  f or  each  cl ass.  It  is  si m il ar  to  c al culat ion   of  the  rem ai nin g  featu re s  su c h  as  the  entr op y   values  a s   sho wn   i n    Figure  15 ( b );   the  unifo rm ity  value   as  s how n  in   Fi gure  15 (c) ;  t he  value   of  ene r gy  as  s how n  in   Fi gur e  15 ( d);   the  m ean  value  as sh own  in  Figure 15 ( e) ; and  sta nd ar d  de via ti on   value  as s how n  in  Figure  1 5 ( f). From  Fi gure  15,  it   can  be  s een  that  the  cl ass  of   de rm at o fibrom a  (N o.  3)  has  t he  lo wes t  featur e  value s,  inclu ding  c ontrast ,   entr op y,  m ean  and   sta ndar d  de viati on ,  w hile  the  two  featu r es  of   hom og en ei ty   and   ene rgy   are  the  high est   at   0.996  a nd  0.9 26,  res pecti vely .   I n  a dd it io n,  f r om   the  data  in   Fi gure  15,  m elan ocyt ic   nevus   ( No.  4)  has   th e  2nd  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   23 , N o.   1 ,  Ju ly   2021 :  2 1 6   -   2 2 8   224   highest  featu re   values  of   al l  five  diseases,  fo ll owe d  by  ba sal   cel l  carcino m a  disease  (No.   1).  Th r ough   t he   analy sis  of   the   m ean  values  of   the  s kin   di sease  featur e s,   it   can  be  seen  that  the  dif f eren ce  betwee n  f ive   disease im age d at aset s is  qu it e cle ar fo r  a pp l yi ng  to  d ise ase  classi ficat ion .           (a)     (b)         (c )     (d )         (e)   (f)     Figure  15.  Re presentat io n of t he  a ver a ge  sta t ist ic s o f  6 feat ures  of 5 ski n disease  d at aset s ;  (a)   re pr ese ntati on  of co ntrast ,  ( b) . r e pr e sentat io n of entr opy ,  ( c). rep rese ntati on of  hom og en ei ty ,  (d ) . rep res entat ion   of e ne rg y ,  (e) .  r e pr e sentat ion   of m ean , a nd  ( f). r e presen ta ti on  of sta nd ard de viati on       3.4.      Clas si ficat i on   accur ac y  usin g  a ML NN st r uctu r e   The  ML NNs  m od el   e m plo ye d  in   t his  st udy  include s  an   input  la ye r  with   6  nodes   co rr e sp on ding  to   6  featur e   vectors;   3  hidde n  l ay ers  wit h  100  nodes   f or  each  la ye r;  a nd  an   ou t pu t   la ye r  with   5  node s   corres pondin g  5  cl asses   of  ski n  disease  needed  for  cl assi ficat ion   as   s how n  in  Fig ur e   16.   I n  a ddit ion ,   m or e  or   le ss  hidde n  la y ers  c ou l d  be  c ho s en   to  possi bly  ens ur e   the   best  cl assi ficat ion .   The   ML NN  was   em plo ye d  t o  perform   trai ni ng   with  the  le arn i ng   s pee d  of   10 - 4  with  un c ha ng e  duri ng   t he  le arn i ng  proce ss,  the   desire d  m od el   err or  was  7.10 - 3.  F igure   17  s ho wed   t he  trai nin g  er ror  c urv e,  in  wh ic h  t he  er r or   of  th e  m od el  con ti nu ously   decr eased  f ollo wing  the  curve   and   it   achieved  the  best  valu e  of   0.0 068   aft er  449  ep oc hs .   This   sh ows  that the   m od el  achieve d  c onve rg e nce  with  fast trai ni ng tim e.   Af te r   t rainin g  400  im ages  of   5  cl asses ,  the  MLN N   was  a pp li ed   to  cl assify   sk in  diseases .   Cl assifi cat ion   resu lt s  wer e  t est ed  on  100  i m ages  corre sp on ding  to  5  disease  cl ass es.  To  e valua te   the   cl assifi cat ion   accuracy,  a  c onfu si on   m at rix  in  Figure  18  was  em plo ye d  to  sh ow  th e  a ver a ge  cl assifi cat ion  accuracy  of  92%,  in  wh ic h  the  accuracy  of  the  sk in  dise ases  is  85 %  ba sal   cel l  carci no m a  (N o.  1),   95%   Be nign  ker at osi s  (No.  2),   10 0%   de rm at of ibr om a  (N o.  3),  85%  m el ano cy ti c  nevus  ( No.   4),  95%  m el a no m a   (No.   5),  res pe ct ively .  In   the   c la ssific at ion  resu lt   of  dis eases,  de rm ato - fib ro m a  disease  has  the  highest  accuracy  of   95 %  due  to  it s  f e at ur e  bein g  ve ry  dif fer e nt  co m par ed  to  4  re m ai nin g  diseas es.  Wh il e  basa l  cel l   carcin om a  and   m el ano cy ti c  nevus  diseases   hav e  the  l owest   accuracies  of   85 % .   I n  th e  case  of   basa l  cel l   carcin om a  cl as sific at ion ,  the  m ino r  er ror  cl assifi cat ion   is  du e  t o  it s  featur e  m ai nly  con f us e d  with  th at   of   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       ROI - ba se d  fe atu res f or  cl as sif ic ation   of ski n disease s  us in g a multi - layer  neur al…  ( Thanh - H ai  Ng uye n )   225   ben i gn  ke ratos is.  I n  par ti cula r ,  w he n  cl assify ing   m el ano cy ti c  ne vus  diseas e,  2  of  20  im a ges  (10%   of  th e  total   nu m ber )  is  er r or due t o  c onfusing wit h B asa l cel l carci no m a d ise ase.           Figure  16. Clas sific at ion  m odel  o f  the ML N N  str uctu re  for 6 in put feat ur e s and  5 o utput  cl asses             Figure  17. T rai ning  resu lt   us i ng the ML N N  structu re     Figure.  18. C onf us io n  m at rix for e va luati on  of 20  te sti ng  im ages each  class       Table   4  pr e sen te d  the   com pari so n  of  t he  acc ur at e  res ults  cl assify ing  5  cl a sses  of  sk i n  dis eases  based  on   3  gro up s  of  diff ere nt  featu res.   The  a ver a ge  res ults  sh owed  that  the  tr ai nin g  m od el   us in g  only   6  featur e s   ( co ntrast,  ene r gy,  ho m og e neity ,  m ean,  sta nd ard   de viati on,  entr op y )   has   th e  92%  highest  accuracy;   the   lowest   accuracy  of  71%  us i ng  11  fe at ur es,   a nd  usi ng  on ly   3  featur es   producin g  78%.   It   is  obvi ou s   that  t he  s el ect e d  gro up of  6 feat ur es  u si ng the   GLCM re prese n ts t he  ef fecti ve ness o f  cl assif yi ng  the  f i ve  s kin   diseases .     Table  5  s howe d  that  the  res ul t  us ing   the  pro po s ed  m et ho d  has   the  92%  cl assifi cat ion   ac cur acy   f or   5  cl asses  of  sk i n  diseases,  it   is  2%  higher  t ha n  the  best  m eth od  [38]  of  th e  pr e vious  res earches   an d  a bout  6%  higher  t ha n  th e  lowest  acc ur acy   [34].  W it h  the  high  cl ass ific at ion   acc uracy   than ks   to   i m age  processi ng  to  ext ract  the  R OI   with  a ppr opriat e  m e thods,  i n  w hich  alm os t  inform at ion   is  possi bly  kep t  i n  the  RO I .   More ov e r,   the  GLCM  has  be en  ap plied  f or  m any  pr evi ous   stud ie s  [ 38]   and   res ults  has  sh ow n  ve ry  po sit ive.  Howe ver,  in  this  stud y,  we  chose  on ly   6  f eat ur es  of  11  f eat ur es  that  can  highly   con ta in  a  lot  of   i m p or ta nt  inf or m at ion   relat ed  to  sk in  dis ease.  In   a dd it ion,  the  6  featu res  ap plied  for  trai ning  to  be  a ble  to  conde nse   and  le ss tim e, so  it   can in c rease  th e cla ssific at ion acc uracy .   In  ad diti on   to  the  sel ect ion   of  i m age  pr oce s sing   m et ho ds   and   the  sel ect ion   of   6  f eat ures,  Table  5  sh owe d  that  t he   MLN N  wa s  pro po se d  for  th e  ap propriat e  num ber   of  no de s  an d  la ye rs  t o  achieve  a   res ul t  with  higher  acc ur ac y  com par ed  to   oth er  m od el s  as  CNN  [ 31] ,  FRC NN   [34],  Dep t hw ise   se pa rab le   CN N  [ 32]   and  SV M  [38].  I n  par ti cula r,   a uthors  re presente d  com bin in g  th e   GLCM  an d  t he   SV M   f or  cl a ssifyi ng  3  cl as ses  of  sk in  diseases  a nd   ac hieve d  th e  accuracy  of  90%.  I n  a dd it io n,   ou r  pro pose d  m et ho d  he re  has  le ss  trai ning  tim e  Evaluation Warning : The document was created with Spire.PDF for Python.