Chúc mừng sinh viên lớp HTTT2020 có bài báo tại Tạp chí Journal of Information Hiding and Multimedia Signal Processing (JIHMSP) năm 2025
Tạp chí Journal of Information Hiding and Multimedia Signal Processing (JIHMSP) là một tạp chí khoa học quốc tế chuyên về nghiên cứu lý thuyết, ứng dụng thực tiễn và tổng quan trong lĩnh vực giấu tin và xử lý tín hiệu đa phương tiện. Tạp chí đăng tải các công trình nghiên cứu tiên tiến liên quan đến các phương pháp ẩn dữ liệu, bảo mật thông tin số, nén dữ liệu, xử lý ảnh, âm thanh, video, cũng như các kỹ thuật phân tích và truyền tải tín hiệu trong môi trường số. Tạp chí Journal of Information Hiding and Multimedia Signal Processing (JIHMSSP) hiện đang được xếp hạng Q3 theo hệ thống đánh giá của Scimago Journal Rank (SJR) và có trong danh mục Scopus.
Link tạp chí: http://www.jihmsp.org/
Tên bài báo: “A Classification Method based on Concatenation Features for Diagnosing Skin Diseases”
Sinh viên thực hiện:
- 20520722, Trần Văn Quang, HTTT2020
Hướng dẫn:
- ThS. Dương Phi Long – Giảng viên khoa Hệ thống Thông tin
- KS. Phạm Nguyễn Thanh Bình – Trợ giảng khoa Hệ thống Thông tin
Abstract: Negative changes in weather and living environments have led to a global increase in dermatological cases. Skin diseases and skin cancer significantly impact human health, mental well-being, and life. Most skin disease and skin cancer cases can be completely treated if detected early, highlighting the necessity for early screening and diagnosis. In recent years, deep learning (DL)-based dermatological image classification methods have achieved remarkable progress. In this study, convolutional neural networks (CNNs) are used to classify seven groups of skin diseases and cancers in the ISIC2018 dermoscopy image dataset. Geometric data augmentation is applied to mitigate class imbalance within the dataset. Transfer learning methods, including ResNet-50, VGG-19, and EfficientNet-V2, are experimentalized to evaluate classification quality. Additionally, the study combines these three models using a Concatenation Features method (CF) to propose a new classifier. Experimental results indicate that the new CF model outperforms previous models, achieving an accuracy of 89.80%, an F1-score of 92.23%, and stable classification quality across all disease classes.
