Ứng dụng học máy trong việc chẩn đoán bệnh nám má thông qua dữ liệu hình ảnh

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC QUY NHƠN NGUYỄN NGỌC HUẤN ỨNG DỤNG HỌC MÁY TRONG VIỆC CHẨN ĐỐN BỆNH NÁM MÁ THƠNG QUA DỮ LIỆU HÌNH ẢNH LUẬN VĂN THẠC SĨ KHOA HỌC DỮ LIỆU ỨNG DỤNG Bình Định - Năm 2022 Tai ngay!!! Ban co the xoa dong chu nay!!! BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC QUY NHƠN NGUYỄN NGỌC HUẤN ỨNG DỤNG HỌC MÁY TRONG VIỆC CHẨN ĐOÁN BỆNH NÁM MÁ THƠNG QUA DỮ LIỆU HÌNH ẢNH Ngành: Khoa học liệu ứng dụng Mã số: 8904648 Người hướng dẫn: TS Hồ Văn Lâm LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu thực luận văn thực riêng tôi, hướng dẫn TS Hồ Văn Lâm Mọi tham khảo từ tài liệu, cơng trình nghiên cứu liên quan nước quốc tế trích dẫn rõ ràng luận văn Mọi chép không hợp lệ, vi phạm quy chế hay gian trá tơi xin hồn tồn chịu trách nhiệm chịu kỷ luật trường Đại học Quy Nhơn Bình Định, ngày tháng năm 2022 Học viên Nguyễn Ngọc Huấn LỜI CẢM ƠN Trong trình thực hồn thiện luận văn này, tơi xin gửi lời cảm ơn chân thành đến thầy Khoa Cơng nghệ thơng tin, khoa Tốn Thống kê trường Đại học Quy Nhơn thầy thính giảng trường, viện Hà Nội thành phố Hồ Chí Minh cung cấp cho kiến thức quý báu suốt năm học qua Đặc biệt cho gửi lời cảm ơn sâu sắc tới TS Hồ Văn Lâm dành nhiều thời gian vô quý báu để định hướng tận tình hướng dẫn tơi tạo điều kiện thuận lợi để tơi hồn thành tốt luận văn Tơi xin chân thành cảm ơn! HỌC VIÊN THỰC HIỆN Nguyễn Ngọc Huấn DANH MỤC TỪ VIẾT TẮT AI : Artifical Intelligence (Trí thơng minh nhân tạo) CĐHA : Chẩn đốn hình ảnh ĐTNC : Đối tượng nghiên cứu HGĐ : Hộ gia đình PN : Phụ nữ MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN DANH MỤC TỪ VIẾT TẮT DANH MỤC BẢNG, BIỂU DANH MỤC CÁC BIỂU ĐỒ DANH MỤC CÁC HÌNH ẢNH MỞ ĐẦU 1 Lý chọn đề tài Tính cấp thiết đề tài Đối tượng phạm vi nghiên cứu Bố cục luận văn CHƯƠNG I: TỔNG QUAN 1.1 Khái quát khả sử dụng liệu cho toán chẩn đoán bệnh 1.1.1 Cơ sở thực 1.1.2 Nguồn liệu hình ảnh hỗ trợ chẩn đoán bệnh Nám má 1.1.3 Cơng nghệ hỗ trợ CĐHA y tế vai trị AI 1.2 Tổng quan học máy trí tuệ nhân tạo 1.2.1 Tổng quan học máy 1.2.2 Các ứng dụng học máy 1.2.3 Tổng quan ứng dụng trí tuệ nhân tạo y khoa 10 1.3 Thuật tốn rút trích đặt trưng nhận dạng đối tượng hình ảnh 15 1.3.1 Khái quát trích chọn đặc trưng ảnh tìm kiếm theo đặc trưng ảnh 15 1.3.2 Đặc trưng nội dung ảnh tìm kiếm theo đặc trưng nội dung 17 1.3.3 Các phương pháp trích chọn đặc trưng độ đo tương đồng ảnh 21 1.4 Một số ứng dụng điển hình sử dụng liệu hình ảnh chẩn đốn bệnh 28 1.4.1 Cơng nghệ trí tuệ nhân tạo y tế 28 1.4.2 Những thành tựu bước đầu Việt Nam 29 1.4.3 Ứng dụng “AI Trợ lý bác sĩ chẩn đốn hình ảnh” Error! Bookmark not defined 1.4.4 Ứng dụng trí tuệ nhân tạo chẩn đốn hình ảnh ung thư tuyến tụy 31 1.5 Tổng quan bệnh nám má 32 1.5.1 Định nghĩa 32 1.5.2 Dịch tễ học 33 CHƯƠNG II: BÀI TỐN CHẨN ĐỐN BỆNH NÁM MÁ BẰNG HÌNH ẢNH 34 2.1 Phát biểu toán 34 2.1.1 Dữ liệu đầu vào 34 2.1.2 Kết đầu 36 2.2 Sử dụng yolo rút trích đặc trưng nhận dạng hình ảnh 38 2.2.1 Giới thiệu chung YOLO 38 2.2.2 Mạng YOLO gì? 38 2.2.3 Quá trình phát triển YOLO 39 2.2.4 Kiến trúc mạng YOLO 41 2.2.5 Đầu YOLO 44 2.2.6 Dự báo nhiều feature map 46 CHƯƠNG III: XÂY DỰNG MƠ HÌNH HỌC MÁY VÀ CÀI ĐẶT THỬ NGHIỆM 48 3.1 Mơ tả liệu hình ảnh 48 3.2 Xây dựng liệu đầu vào 49 3.2.1 Huấn luyện mơ hình 49 3.2.2 Gán nhãn liệu 50 3.3 Xây dựng mơ hình 51 3.3.1 Tìm hiểu YOLO v5 51 3.3.2 Tổ chức thư mục 52 3.3.3 Chọn mơ hình 53 3.3.4 Xây dựng mơ hình YOLOv5 môi trường Colab 53 3.4 Đánh giá mơ hình 57 3.4.1 Một thông số cho mô hình phát đối tượng 57 3.5 Thực nghiệm 61 3.6 Sử dụng mơ hình dự đoán ảnh 62 KẾT LUẬN VÀ KIẾN NGHỊ 64 TÀI LIỆU THAM KHẢO QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN THẠC SĨ (BẢN SAO) DANH MỤC BẢNG Bảng 1.1 Một số phương pháp lựa chọn đặc trưng 26 Bảng 2.1 Các layer mạng darknet-53 43 DANH MỤC CÁC BIỂU ĐỒ Biểu đồ 2.1 So sánh số thuật toán phiên YOLO 40 Biểu đồ 3.1 Tương quan tọa độ 56 Biểu đồ 3.2 Phân bố x,y, height, width 57 Biểu đồ 3.3 Đánh giá Precision 59 Biểu đồ 3.4 Đánh giá khả tìm kiếm tồn nhãn mơ hình 59 Biểu đồ 3.5 Đánh giá độ tin cậy mơ hình 60 Biểu đồ 3.6 Các thông số đánh giá mơ hình 60 DANH MỤC CÁC HÌNH Hình 1.1 AI hỗ trợ bác sĩ đọc hình ảnh y khoa Hình 1.2 Artifical Intelligence 10 Hình 1.3 Ví dụ hiển thị ảnh 16 Hình 1.4 Ví dụ truy vấn Google 17 Hình 1.5 Ví dụ truy vấn Google 17 Hình 1.6 Ví dụ số lọai kết cấu 18 Hình 1.7 Một kết trả Google Image Swirl 19 Hình 1.8 Một kết trả Tiltomo 20 Hình 1.9 Một kết trả Byo Image Search 20 Hình 1.10 Hình ảnh X-quang 28 Hình 1.11 VinDr hỗ trợ chẩn đoán ảnh X-quang cột sống với độ xác lên tới 90% 30 Hình 1.12 Ứng dụng AI mơ chuẩn đốn hình ảnh điều trị bệnh Error! Bookmark not defined Hình 1.13 Đại diện lãnh đạo VinBrain, Vinmec Bệnh viện Phổi TƯ trao ghi nhớ hợp tác triển khai ứng dụng “AI Trợ lý bác sĩ chẩn đoán hình ảnh” Error! Bookmark not defined Hình 1.14 Đánh giá tuyến tụy thường gặp khó khăn tụy nằm sau phúc mạc dày 32 Hình 2.1 vị trí gán nhãn thể nám má 35 Hình 2.2 Một số hình ảnh gán nhãn 35 Hình 2.3 Tên tọa độ nhãn 36 Hình 2.4 Ảnh minh họa thách thức tốn Phát đối tượng 37 Hình 2.5 Kiến trức đầu mơ hình YOLO 45 Hình 2.6 Các feature maps mạng YOLOv3 46 Hình 3.1 Một số liệu hình ảnh bệnh nhân 48 53 Hình 3.5 Tổ chức liệu 3.3.3 Chọn mơ hình Hình 3.6 Kiến trúc mơ hình YOLOv5 Chọn mơ hình đào tạo trước để bắt đầu đào tạo giúp việc đào tạo nhanh Ở chọn YOLOv5s, mơ hình nhỏ nhanh có 3.3.4 Xây dựng mơ hình YOLOv5 mơi trường Colab Tiếp theo vào Google Colab để train bước! 54 3.3.4.1 Xây dựng mơ hình YOLOv5 Đào tạo mơ hình YOLOv5s COCO128 cách định tập liệu, kích thước lơ, kích thước hình ảnh weights yolov5s.pt đào tạo trước (được khuyến nghị) weights '' cfg yolov5s.yaml (không khuyến nghị) File trọng số tự động tải xuống từ phát hành YOLOv5 !python /content/yolov5/train.py img 640 batch 24 epochs 100 data coco128.yaml weights yolov5s.pt Câu lệnh train model Colab, đó: img 640 kích thước ảnh batch 24 số hình lần train epochs 100 số lần train data coco128.yaml nơi lấy thông tin để train weights yolov5s.pt thư viện để train Tất kết đào tạo lưu vào running/train/ với thư mục tên tự động đặt tăng dần cho lần chạy, tức running/train/exp2, running/train/exp3, v.v 55 train: weights=/content/yolov5/runs/train/exp/weights/best.pt, cfg=, data=coco128.yaml, hyp=yolov5/data/hyps/hyp.scratch-low.yaml, epochs=1, batch_size=24, imgsz=640, rect=False, resume=False, nosave=False, noval=False, noautoanchor=False, noplots=False, evolve=None, bucket=, cache=None, image_weights=False, device=, multi_scale=False, single_cls=False, optimizer=SGD, sync_bn=False, workers=8, project=yolov5/runs/train, name=exp, exist_ok=False, quad=False, cos_lr=False, label_smoothing=0.0, patience=100, freeze=[0], save_period=1, seed=0, local_rank=-1, entity=None, upload_dataset=False, bbox_interval=-1, artifact_alias=latest github: up to date with https://github.com/ultralytics/yolov5 ✅ YOLOv5 🚀 v6.2-61-gffbce38 Python-3.7.13 torch-1.12.1+cu113 CPU hyperparameters: lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=0.05, cls=0.5, cls_pw=1.0, obj=1.0, obj_pw=1.0, iou_t=0.2, anchor_t=4.0, fl_gamma=0.0, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, mosaic=1.0, mixup=0.0, copy_paste=0.0 Weights & Biases: run 'pip install wandb' to automatically track and visualize YOLOv5 🚀 runs in Weights & Biases ClearML: run 'pip install clearml' to automatically track, visualize and remotely train YOLOv5 🚀 in ClearML TensorBoard: Start with 'tensorboard logdir yolov5/runs/train', view at http://localhost:6006/ Overriding model.yaml nc=80 with nc=4 from n params module -1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 10 -1 11 -1 12 [-1, 6] 13 -1 14 -1 15 -1 16 [-1, 4] 17 -1 18 -1 19 [-1, 14] 20 -1 21 -1 22 [-1, 10] 23 -1 24 [17, 20, 23] [30, 61, 62, 45, 59, 119], Model summary: 270 layers, arguments 3520 models.common.Conv [3, 32, 6, 2, 2] 18560 models.common.Conv [32, 64, 3, 2] 18816 models.common.C3 [64, 64, 1] 73984 models.common.Conv [64, 128, 3, 2] 115712 models.common.C3 [128, 128, 2] 295424 models.common.Conv [128, 256, 3, 2] 625152 models.common.C3 [256, 256, 3] 1180672 models.common.Conv [256, 512, 3, 2] 1182720 models.common.C3 [512, 512, 1] 656896 models.common.SPPF [512, 512, 5] 131584 models.common.Conv [512, 256, 1, 1] torch.nn.modules.upsampling.Upsample [None, 2, 'nearest'] models.common.Concat [1] 361984 models.common.C3 [512, 256, 1, False] 33024 models.common.Conv [256, 128, 1, 1] torch.nn.modules.upsampling.Upsample [None, 2, 'nearest'] models.common.Concat [1] 90880 models.common.C3 [256, 128, 1, False] 147712 models.common.Conv [128, 128, 3, 2] models.common.Concat [1] 296448 models.common.C3 [256, 256, 1, False] 590336 models.common.Conv [256, 256, 3, 2] models.common.Concat [1] 1182720 models.common.C3 [512, 512, 1, False] 24273 models.yolo.Detect [4, [[10, 13, 16, 30, 33, 23], [116, 90, 156, 198, 373, 326]], [128, 256, 512]] 7030417 parameters, 7030417 gradients, 16.0 GFLOPs 56 3.3.4.2 Kết xây dựng mơ hình Hình 3.7 Kết xây dựng mơ hình Ta có mơ hình tạo sau 11 phút 42 giây huấn luyện Với epochs 100 ta mơ hình tối ưu với 14.4MB lưu yolov5/runs/train/exp2/weights/last.pt (mơ hình cuối cùng) yolov5/runs/train/exp2/weights/best.pt (tốt dựa số Average Precision tập kiểm định) Biểu đồ 3.1 Tương quan tọa độ 57 Qua biểu đồ cho thấy biến thể nám má thể trung tâm 237 nhãn, thể cánh bướm 153 nhãn, thể hàm 10 nhãn, không nám má 139 nhãn Xét mối tương quan tọa độ Ta thấy vị trí x, y nằm vị trí từ 0.4 đến 0.6, tức vị trí x, y nằm ảnh Biểu đồ 3.2 Phân bố x,y, height, width Xét mối tương quan chiều cao chiều rộng ta thấy phân bổ rải rác, với nhãn có chiều cao nhỏ từ 0.1 đến 0.3 Nhưng tập trung nhiều nhãn có chiều cao từ 0.9 đến Dựa vào biểu đồ phân bố ta thấy tần suất x chiếm từ 0.4 đến 0.6 y từ 0.3 đến 0.7 phân bổ nhiều Đối với chiều rộng chiều cao phân bổ 0.1 đến 0.3 3.4 ĐÁNH GIÁ MƠ HÌNH 3.4.1 Một thơng số cho mơ hình phát đối tượng Trong sống, làm ta cần đặt tiêu chí để xác định việc ta làm mục đích chưa, mang lại hiệu chưa 58 Trong AI, ta train model ta phải đặt tiêu chí đo lường dừng việc train? với model có đạt yêu cầu đề hay chưa? Đo lường qua tiêu chí gì? Với mơ hình phân loại đơn giản Thì ta thấy tốn đo lường qua Precision, Recall, Confusion Metric, Accuracy… Còn với mơ hình phát đối tượng làm quen với Precision, Recall, AP mAP mAP tiêu chí đo lường mơ hình phát đối tượng thơng qua khái niệm IoU, Precision, Recall, Precision Recall Curve, AUC, AP mAP Precision: Đánh giá độ tin cậy kết luận đưa (bao nhiêu % lời kết luận mơ hình xác) Recall: Đánh giá khả tìm kiếm ground truth mơ hình (bao nhiêu % positive samples mà mơ hình nhận diện được) IoU (Intersection over Unit): Đo độ overlap ground truth bouding box với bounding box mà mơ hình dự đốn 59 Biểu đồ 3.3 Đánh giá Precision Qua biểu đồ ta thấy đánh giá độ tin cậy kết luận đưa có độ xác đến 0.88 Biểu đồ 3.4 Đánh giá khả tìm kiếm tồn nhãn mơ hình 60 Biểu đồ 3.5 Đánh giá độ tin cậy mơ hình Biểu đồ 3.6 Các thơng số đánh giá mơ hình mAP=Mean Average Precision trung bình cộng giá trị AP class khác mAP lớn model tốt Mối quan hệ precision – recall giúp mAP đánh giá độ xác nhiệm vụ phân loại 61 – Do precision – recall thay đổi ngưỡng IoU thay đổi (ngưỡng để predict bbox class nào) Do đó, giá trị IoU xác định, đo / so sánh độ tốt mơ hình (ví dụ: mAP@0.5 = 70 –> IoU = 0.5, AP mơ hình 70%) Qua biểu đồ cho ta thấy điểm mAP với epochs=100 điểm mAP=0.994 mAP 0.5 = 0.995, Precidion=0.99 nên cho ta thấy mơ hình tìm đối tượng liệu nám má cho tốt 3.5 THỰC NGHIỆM Qua số ví dụ cho ta thấy tập liệu val-label (tập liệu huấn luyện gán nhãn) tương đồng với tập liệu val-predict (tập liệu train dự đốn) 62 Hình 3.8 Tập liệu val label Hình 3.9 Tập liệu val predict Với hình ảnh gán nhãn từ biến val máy sử dụng mơ hình học máy để dự đoán đối tượng (vùng nám má) với giá trị gần xác với liệu test Cho thấy mơ hình hiệu 3.6 SỬ DỤNG MƠ HÌNH DỰ ĐỐN MỘT BỨC ẢNH BẤT KỲ Tạo code block chạy đoạn code sau: 63 !python detect.py weights runs/train/exp2/weights/best.pt -img 640 conf 0.05 source data/images/train/ IMG_0253.JPG.jpg Image(filename='runs/detect/exp/ IMG_0253.JPG', width=600) Ta xem câu lệnh: –weights runs/train/exp2/weights/best.pt: trỏ đến weights mà ta vừa train – conf 0.05: ngưỡng dự đốn –source data/images/train/ IMG_0253.JPG.jpg: liệu hình ảnh sử dụng kiểm thử –source: trỏ đến file ảnh cần dự đốn Sau dự đốn xong lưu kết vào thư mục runs/detect/exp/IMG_0253.jpg ta dùng lệnh Image để lên Colab Kết trả với liệu khuôn mặt bệnh nhân không nám 100% Hình 3.10 Kết nhận diện mơ hình 64 KẾT LUẬN VÀ KIẾN NGHỊ Trong luận văn này, chúng tơi trình bày tổng quan khả sử dụng liệu cho toán chẩn đốn bệnh, tốn Mơ hình học máy chẩn đốn bệnh nám má hình ảnh, cài đặt thử nghiệm đánh giá mơ hình chẩn đốn bệnh nám má hình ảnh, xây dựng mơ hình học máy YOLOv5 ứng dụng vào toán chẩn đoán bệnh nám má sử dụng liệu hình ảnh Qua thể Thuật tốn rút trích đặc trưng nhận dạng đối tượng hình ảnh, thuật tốn rút trích đặc trưng nhận dạng hình ảnh mơ hình học máy, thực nghiệm tập liệu cụ thể Đề tài hỗ trợ chẩn đoán đem đến ý nghĩa mang tính chất cộng đồng, hướng đến việc phát triển thành ứng dụng giúp ích phần với bệnh nhân khơng đủ điều kiện đến sở y tế thường xuyên, giúp họ có công cụ để an tâm theo dõi sức khỏe KIẾN NGHỊ HIỆU QUẢ KHI ỨNG DỤNG VÀO THỰC TẾ Hiệu quả: - Sử dụng mơ hình học máy, trí tuệ nhân tạo để giúp máy nhận diện nguy bệnh nám má chẩn đoán bệnh nám má người dân thông qua thiết bị di động - Từ kết nghiên cứu này, người dân tồn tỉnh Bình Định khu vực áp dụng phần mềm chẩn đoán Nám má Bệnh viện Phong – Da liễu trung ương Quy Hòa bệnh viện có chuyên khoa da liễu tiếp nhận điều trị bệnh nhân nám má qua thông tin sàng lọc từ phần mềm chẩn đoán nám má - Phần mềm chẩn đốn nám má giúp giảm chi phí điều trị: trường hợp nhẹ chưa cần điều trị điều trị sớm; trường hợp nặng điều trị an toàn, hiệu quả, chuyên khoa 65 TÀI LIỆU THAM KHẢO TIẾNG VIỆT [1] Nguyễn Thị Minh Anh, Lê Ngọc Diệp (2014) "Đặc điểm lâm sàng bệnh tăng sắc tố da vùng mặt yếu tố liên quan bệnh nhân đến khám đơn vị Điều trị thẩm mỹ da bệnh viện Da liễu" Tạp chí Y học Thành phố Hồ Chí Minh, [2] Bộ Chính trị (2018) Nghị số 23/NQ-TW ngày 22/3/2018 “ Định hướng xây dựng sách phát triển công nghiệp quốc gia đến năm 2030 tầm nhìn đến năm 2045, Government Document, 7, [3] Bộ Y tế (2019) Đề án “Ứng dụng phát triển công nghệ thông tin y tế thông minh giai đoạn 2019-2025” (Ban hành kèm theo Quyết định số 4888/QĐ-BYT ngày 18/10/2019 Bộ trưởng Bộ Y tế), [4] Phạm Hiếu (2021) AI in Medical Imaging, https://huyhieupham.github.io/data/DS&AI-AI-in-Medical-ImagingHieu-Pham-VinBigdata.pdf, [5] Thủ tướng Chính phủ (2017) Chỉ thị số 16- CT/TTg ngày 4/5/2017 tăng cường lực tiếp cận Cách mạng công nghiệp lần thứ tư, Government Document, 8, [6] Nguyễn Văn Thường (2005) Nghiên cứu tình hình rám má phụ nữ không mang thai kết điều trị chỗ bôi hydroquinone, axit retinoic kem chống nắng, Luận án tiến sĩ Y học, Đại học Y Hà Nội, [7] Nguyễn Văn Thường (2017) Bệnh rám má Bệnh học Da liễu NXB Y học, 143-148 [8] Nguyễn Văn Thường (2017) Bệnh sạm da Bệnh học da liễu NXB Y học, 137-142 TIẾNG ANH [9] Andreas S Panayides, Amir Amini, Nenad D Filipovic, Ashish Sharma, Sotirios A Tsaftaris, Alistair Young, et al (2020) "AI in medical imaging informatics: current challenges and future directions" IEEE Journal of Biomedical and Health Informatics, 24 (7), 1837-1857 [10] Balkrishnan R, Mcmichael A.J, F.T.Camacho, F.Saltzberg, T.S.Housman, S.Grummer, et al (2003) "Development and validation of a healthrelated quality of life instrument for women with melasma" British Journal of Dermatology, 149, 572-577 [11] Bernard F King (2018) "Artificial intelligence and radiology: what will the future hold?" Journal of the American College of Radiology, 15 (3), 501-503 66 [12] Bertalan Meskó (2017) Artificial Intelligence is the Stethoscope of the 21st Century, https://medicalfuturist.com/ibm-watson-is-the-stethoscope-ofthe-21st-century/, [13] Chung-Ming Chen, Yi-Hong Chou, Norio Tagawa, Younghae Do (2013) "Computer-aided detection and diagnosis in medical imaging" 2013 [14] David G Lowe (2004) "Distinctive image features from scale-invariant keypoints" International journal of computer vision, 60 (2), 91-110 [15] EyeNet Magazine, Linda Roach (2017) "Starting With Retina" Artificial Intelligence, [16] Hiremath PS, Jagadeesh Pujari (2007) "Content Based Image Retrieval based on Color, Texture and Shape features using Image and its complement" International Journal of Computer Science and Security, (4), 25-35 [17] Kamarul Hawari Ghazali, Mohd Marzuki Mustafa, Aini Hussain, MEC Bandar, Gambang Kuantan (2007) Feature Extraction technique using SIFT keypoints descriptors The international conference on electrical and engineering and informatics institut technology [18] Katsambas, et al (1995) "Melasma Classification and treatment" Journal of the European Academy of Dermatology and Venereology, 4, 217-233 [19] Kunio Doi (2007) "Computer-aided diagnosis in medical imaging: historical review, current status and future potential" Computerized medical imaging and graphics, 31 (4-5), 198-211 [20] Lynde C.B., MD J.N Kraft, MD C.W Lynde, FRCPC, (2006) "Topical Treatments for Melasma and Postinflammatory Hyperpigmentation" Skin Therapy Letter, 11 (9), 1-12 [21] Michael Recht, R Nick Bryan (2017) "Artificial intelligence: threat or boon to radiologists?" Journal of the American College of Radiology, 14 (11), 1476-1480 [22] Michele Saad (2008) "Low-level color and texture feature extraction for content-based image retrieval" Final Project Report, EE K, 381, 20-28 [23] Nehmat Houssami, Christoph I Lee, Diana SM Buist, Dacheng Tao (2017) "Artificial intelligence for breast cancer screening: opportunity or hype?" The Breast, 36, 31-33 [24] Ortonne JP, I Arellano, M Berneburg, T Cestari, H Chan, P Grimes, et al (2009) "A global survey of the role of ultraviolet radiation and hormonal influences in the development of melasma" J Eur Acad Dermatol Venereol, 23 (11), 1254-62 [25] Saumya Panda (2014) "Agenda for Future Research in Melasma: QUO VADIS?" Journal of Pigmentary Disorders, (5), 1:5 67 [26] Tee Cheng Siew (2008) Feature selection for content-based image retrieval using statistical discriminant analysis, PhD thesis Faculty of Computer Science and Information System Universiti …, [27] Tai Kyung Noh, Seok Joo Choi, Bo Young Chung, Jin Soo Kang, Jong Hee Lee, Mi Woo Lee, et al (2014) "Inflammatory features of melasma lesions in Asian skin" The Journal of Dermatology, 41 (9), 788-794 [28] Thomas Deselaers, Daniel Keysers, Hermann Ney (2008) "Features for image retrieval: an experimental comparison" Information retrieval, 11 (2), 77-107 [29] Wei Jiang, Mingjing Li, Hongjiang Zhan, Jinwei Gu (2004) Online feature selection based on generalized feature contrast model 2004 IEEE International Conference on Multimedia and Expo (ICME)(IEEE Cat No 04TH8763) IEEE [30] Wei Jiang, Guihua Er, Qionghai Dai, Jinwei Gu (2006) "Similarity-based online feature selection in content-based image retrieval" IEEE Transactions on Image Processing, 15 (3), 702-712 [31] Yossi Rubner, Jan Puzicha, Carlo Tomasi, Joachim M Buhmann (2001) "Empirical evaluation of dissimilarity measures for color and texture" Computer vision and image understanding, 84 (1), 25-43 [32] Yuri T Jadotte, Robert A Schwartz (2011) Treatment of Melasma, [33] Yushi Jing, Shumeet Baluja (2008) "Pagerank for product image search" Proceedings of the 17th international conference on World Wide Web, 307-316