CHÚC MỪNG NHÓM SINH VIÊN KHOA HỆ THỐNG THÔNG TIN CÓ BÀI BÁO ĐƯỢC CHẤP NHẬN TẠI HỘI NGHỊ KHOA HỌC QUỐC TẾ MAPR 2026
MAPR 2026 (The 9th International Conference on Multimedia Analysis and Pattern Recognition) là hội nghị quốc tế thường niên về phân tích đa phương tiện và nhận dạng mẫu (Multimedia Analysis and Pattern Recognition), do Trường Đại học Công nghệ Thông tin (UIT), ĐHQG-HCM đăng cai tổ chức, phối hợp cùng Hội Nhận dạng mẫu Việt Nam (VAPR), Trường ĐH Bách khoa Hà Nội (HUST) và Viện Công nghệ Thông tin (VAST); IEEE là nhà tài trợ kỹ thuật (Technical Sponsor). Đây là lần tổ chức thứ 9. MAPR 2026 diễn ra tại Silk Path Grand Huế Hotel, số 2 Lê Lợi, phường Thuận Hóa, TP. Huế, ngày 13 – 14/08/2026.
MAPR 2026 là diễn đàn dành cho các nhà nghiên cứu và chuyên gia đến từ các trường đại học, viện nghiên cứu và doanh nghiệp để chia sẻ những kết quả nghiên cứu mới nhất, đồng thời thúc đẩy hợp tác trong các lĩnh vực trí tuệ nhân tạo (AI), nhận dạng mẫu, phân tích đa phương tiện và các lĩnh vực ứng dụng mới nổi.
Thông tin chi tiết về hội nghị có thể tham khảo tại: https://mapr.uit.edu.vn/
Kỷ yếu các kỳ trước (IEEE Xplore): https://ieeexplore.ieee.org/xpl/conhome/1825404/all-proceedings
Tên bài báo: “A Concept-Guided Fusion Framework for Interpretable Skin Lesion Classification”
Sinh viên thực hiện:
- 22520872 – Nguyễn Đỗ Đức Minh – HTTT2022.2
- 22520423 – Phan Thị Thuỷ Hiền – HTTT2022.1
Giảng viên hướng dẫn: PGS. TS. Nguyễn Đình Thuân, ThS. Đỗ Duy Thanh
Abstract: Malignant skin lesions can be visually indistinguishable from benign mimics, a setting we term cancer-mimic. Posthoc methods such as Grad-CAM and SHAP cannot ground model decisions in the ABCD clinical vocabulary (Asymmetry, Border, Color, Diameter) that dermatologists rely on. We propose auxiliary concept fusion: a domain-adapted DINOv2 concept head is trained on segmentation-derived ABCD targets and at inference predicts ABCD scores directly from raw images; its outputs are fused with backbone visual features at classification time, yielding auditable concept co-predictions without enforcing a strict bottleneck. We evaluate across five backbones (CoAtNet, EfficientNetV2, MobileNetV3, Swin, ConvNeXt V2) on a four-class cancer-mimic task (melanoma, nevus, seborrheic keratosis, basal cell carcinoma); CoAtNet benefits most from fusion on accuracy and F1 metrics, and random-concept ablation confirms gains reflect clinical semantics rather than input dimensionality. Our findings show that concept-integration utility is architecture-dependent, motivating backbone-aware design for interpretable dermoscopy AI.
