Machine Translated by Google

Alexandria Engineering Journal 78 (2023) 35–44

Listas de conteúdos disponíveis em ScienceDirect

Jornal de Engenharia de Alexandria

página inicial da revista: www.elsevier.com/locate/aej

Artigo original

Ambiente de saúde habilitado para IoT usando modelo inteligente de diagnóstico de lesões
cutâneas habilitado para aprendizagem profunda

Yousef Asiri a,*, Hanan T. Halawani a,*, Abeer D. Algarni b , Adwan A. Alanazi c
a
Departamento de Ciência da Computação, Faculdade de Ciência da Computação e Sistemas de Informação, Universidade Najran, Najran 61441, Arábia Saudita
b
Departamento de Tecnologia da Informação, Faculdade de Ciências da Computação e da Informação, Universidade Princesa Nourah bint Abdulrahman, PO Box 84428, Riyadh 11671,
Arábia Saudita
c
Departamento de Ciência da Computação, Faculdade de Ciência e Engenharia da Computação, Universidade de Hail, Hail, Arábia Saudita

INFORMAÇÕES DO ARTIGO ABSTRATO

Palavras-chave: O câncer de pele melanoma é uma doença de ampla ocorrência em todo o mundo e é necessário para identificar a doença nos estágios
Assistência médica
iniciais. Tecnologias recentes como a Internet das Coisas (IoT) têm como objetivo projetar sistemas de saúde eficientes.
Inteligência artificial
Além disso, a aprendizagem profunda e a aprendizagem por transferência são cada vez mais importantes nos diagnósticos de saúde de
Classificação de lesões cutâneas
diversas doenças. Este estudo se concentra no design do modelo de Internet das Coisas Inteligente com Diagnóstico de Lesões de Pele
Internet das Coisas
Habilitado por Aprendizado Profundo (IIoT-DLSLD) para ambiente de saúde. A técnica IIoT-DLSLD proposta permite que os dispositivos IoT
Aprendizado profundo

Segmentação da lesão
capturem as imagens dermatoscópicas e classifiquem as lesões cutâneas em rótulos de classes distintas. Além disso, a técnica IIoT-DLSLD
emprega técnica de pré-processamento baseada em filtragem gaussiana (GF) para erradicar a presença de ruído. Além disso, o algoritmo
Otsu limiar com otimização de enxame de deglutição (OT-SSO) é empregado para segmentação de lesões cutâneas. Para classificação de
lesões de pele, é utilizada a extração de recursos baseada em MobileNet v2 e a rede neural wavelet profunda (DWNN) baseada no otimizador
de pinguim imperador (EPO). A validação experimental da técnica IIoT-DLSLD ocorreu contra o conjunto de dados ISIC e os resultados
retrataram a melhoria do algoritmo IIoT-DLSLD em relação aos outros classificadores de lesões cutâneas do estado da arte.

1. Introdução
A indústria médica é considerada um campo importante por contribuir para o
desenvolvimento e crescimento de todos os países. A falta de serviços fundamentais, a
sobrelotação nas zonas rurais e o mau saneamento tornam a população altamente
suscetível a doenças de pele. Além disso, fatores geográficos como temperatura e
estação do ano afetam a prevalência de doenças de pele.
O tratamento e análise de doenças de pele é o campo mais importante da saúde, que
requer muito foco e ainda está em um estágio inicial [1]. Normalmente, em alguns casos,
as doenças de pele não são consideradas um problema sério e são até ignoradas.
Quando as doenças da pele não são tratadas adequadamente, causam efeitos colaterais,
irritação, muitas vezes câncer de pele e desfiguração grave da pele. Os avanços na
tecnologia levam ao rápido desenvolvimento nas áreas de saúde e medicina [2]. Agora,
a área médica está mais focada em fornecer investimentos em grande escala em serviços
de diagnóstico de alto nível, facilitando assim o atendimento médico para um grande
número da população. Uma das tecnologias fortemente sugeridas para permitir o
monitoramento remoto de saúde em tempo real é o sistema de monitoramento de saúde
baseado em IoT. Agora, neste estudo, um monitoramento remoto de doenças de pele
foi apresentada uma estrutura que se concentra em fornecer monitoramento e diagnóstico
inteligente, em tempo real, de baixo custo e de doenças de pele.
Uma análise visual feita por um médico das regiões suspeitas da pele é o estágio
inicial na detecção de um câncer maligno. Uma detecção precisa é indispensável, uma
vez que tipos específicos de cancro têm semelhanças; além disso, a precisão do Sistema
Assistido por Computador (CAD) está muito mais próxima dos diagnósticos de
dermatologistas qualificados [3]. Sem usar essas tecnologias, os dermatologistas
poderiam identificar o melanoma com uma taxa de precisão de 65–80 por cento [3]. Para
casos suspeitos, imagens dermatoscópicas são captadas por câmeras de maior resolução
para completar a inspeção visual. O filtro é utilizado e a iluminação é controlada no
momento da gravação para diminuir o reflexo da pele e, assim, visualizar a camada
profunda da pele. Este suporte tecnológico levou a um avanço de 49% no diagnóstico de
câncer de pele [4]. Eventualmente, a integração de imagens dermatoscópicas e inspeção
visual levou a 75-84 por cento de precisão absoluta para o diagnóstico de melanoma. Há
algum tempo, a classificação de lesões cutâneas tem sido um objetivo do aprendizado
de máquina (ML). A classificação automática da lesão é utilizada no exame médico para
auxiliar o médico e permite acesso rápido e acessível ao diagnóstico que salva vidas,
além do smartphone

* Autores correspondentes.
Endereços de e-mail: yasiri@nu.edu.sa (Y. Asiri), hthalawani@nu.edu.sa (HT Halawani).

https://doi.org/10.1016/j.aej.2023.07.038 Recebido
em 21 de maio de 2023; Recebido de forma revisada em 23 de junho de 2023; Aceito em 15 de julho de 2023.
Disponível online em 21 de julho de 2023.
1110-0168/© 2023 OS AUTORES. Publicado pela Elsevier BV em nome da Faculdade de Engenharia da Universidade de Alexandria. Este é um artigo de acesso aberto sob o título
Licença CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
Machine Translated by Google
Y. Asiri et al.
Figura 1. Processo geral do modelo IIoT-DLSLD.
aplicação foram empregados fora dos ambientes hospitalares [5].
Muitos pesquisadores adotaram o fluxo de trabalho convencional de ML de segmentação,
pré-processamento (melhoria), classificação e extração de recursos [6]. A exigência de maior
desempenho do sistema CAD é indispensável para o diagnóstico e detecção de lesões. O método
de seleção de recursos (FS) é o objetivo principal para o desenvolvimento de sistemas CAD.
A seleção mais adequada de recursos leva muito tempo para a detecção automatizada de
imagem dermatoscópica pigmentada em 1987 [7]. Da mesma forma, a perda de dados e os erros
têm um grande impacto na taxa de classificação. Por exemplo, resultados de segmentação
imprecisos muitas vezes levam a resultados ruins na extração de características e, portanto, a
um desempenho inferior na classificação. A análise computacional e a visão mecânica tornam-
se cada vez mais importantes para a produção de um método eficaz de diagnóstico automatizado
de melanoma [8]. Um sistema CAD correto ajudará dermatologistas e médicos a fazer diagnósticos
melhores e mais precisos [9]. Vários esquemas de CAD foram diagnosticados por métodos
distintos de classificação, seleção, detecção e extração de fronteiras. Diversas pesquisas têm
sido apresentadas: análise e estudo de métodos de processamento de imagens para identificação
de lesões cutâneas; além disso, comparamos o desempenho dos sistemas CAD e de Inteligência
Artificial (IA) com a precisão do diagnóstico de dermatologistas qualificados [10].
Porém, são necessários trabalhos adicionais para reduzir e definir a ambiguidade em sistemas
automáticos de apoio à decisão para melhorar a precisão do diagnóstico.
36
Alexandria Engineering Journal 78 (2023) 35–44
Este estudo apresenta um sistema IoT inteligente com modelo de diagnóstico de lesões
cutâneas habilitado para aprendizagem profunda (IIoT-DLSLD) para ambiente de saúde.
A técnica IIoT-DLSLD proposta permite que os dispositivos IoT capturem as imagens
dermatoscópicas e emprega técnica de pré-processamento baseada em filtragem gaussiana (GF)
para erradicar a presença de ruído. Além disso, o algoritmo Otsu limiar com otimização de
enxame de deglutição (OT-SSO) é empregado para segmentação de lesões cutâneas. Além
disso, a extração de recursos baseada no MobileNet v2 e a rede neural wavelet profunda (DWNN)
baseada no otimizador de pinguim imperador (EPO) são utilizadas para classificação do câncer
de pele. A avaliação de desempenho da técnica IIoT-DLSLD é realizada utilizando o conjunto de
dados ISIC e os resultados são investigados sob diferentes aspectos.
2. Trabalhos relacionados
Adla et al. [11] introduziram um método DL automático usando um sistema CAD baseado em
mecanismo de atenção de classe para classificação e detecção de câncer de pele chamado
DLCAL-SLDC. O objetivo do modelo proposto é classificar e detectar diferentes tipos de lesões
cutâneas por meio de imagens dermatoscópicas. No pré-processamento de imagem, foi realizada
redução de ruído baseada em filtragem mediana média e processo de remoção de pêlos baseado
no método de navalha Dull. O método de segmentação baseado em entropia de Tsallis é
empregado para diagnosticar as regiões infectadas na imagem dermatoscópica. Também,
Machine Translated by Google

Y. Asiri et al. Alexandria Engineering Journal 78 (2023) 35–44

Extratores de recursos baseados em DLCAL são aplicados para extrair o recurso da lesão
segmentada com otimizador Adagrad, CapsNet e CAL.
Juyal et al. [12] desenvolveram um novo conceito de dispositivo inteligente de
monitoramento de pele que permite que pessoas em regiões rurais monitorem remotamente
doenças de pele. O modelo apresentado contém técnicas de IoT e IA baseadas em nuvem,
nas quais a CNN é utilizada para analisar previsão de doenças e imagens de saúde.
Pushpa [13] projetou um novo método de diagnóstico automático de câncer de pele baseado
em IoT. O método apresentado inclui uma sequência de procedimentos, viz. pré-
processamento baseado em filtragem bilateral, extração de recursos híbridos, aquisição de
dados com dispositivo IoT, classificação baseada em ELM e segmentação baseada em
cluster K-means. O método HF-ELM descreve o diagnóstico da lesão existente nas imagens
dermatoscópicas.
nível de poluição, temperatura, umidade e assim por diante. Por meio de um profissional de
saúde, um paciente de pele entra na van de cuidados de pele inteligente e é registrado. Um
aplicativo foi baixado em seu dispositivo móvel e uma senha e um ID exclusivo foram
fornecidos ao paciente após o registro. Uma identificação semelhante foi utilizada para
garantir o serviço de seguro dos pacientes. Concluído o procedimento de registro, são
concluídos os dados fundamentais e a verificação corporal; O sensor Skincare Van capturou
a imagem da pele, bem como o valor dos parâmetros da pele. As informações medicinais e
o histórico dos pacientes foram coletados e transmitidos para plataformas em nuvem e
também os dados dos parâmetros ambientais.
3.2. Pré-processamento de imagem usando técnica GF

Harangi [14] propôs um modelo de classificação aprimorado que é útil na implementação

A implementação de um filtro gaussiano bidimensional é amplamente utilizada para fins
de tarefas de classificação automática na estrutura restrita da plataforma IoT. O recurso de
de remoção e suavização de ruído [23]. Requer enormes recursos de processo e desempenho
entrada é aprimorado de forma que possa ser útil na classificação precisa e rápida pelos
na implementação. O operador típico é Gaussiano e o processo de suavização gaussiana foi
classificadores que tornam os sistemas otimizados e inteligentes. Além disso, os
alcançado por convolucional. Os operadores gaussianos de 1-D foram escritos como:
classificadores híbridos são aprimorados por vários algoritmos de otimização meta-heurística
para melhor convergência. Sahu et al. [15] implementaram e propuseram um modelo
híbrido baseado em técnicas inovadoras de DL e recursos que os médicos utilizam para
fins de exame para aumentar a precisão da classificação entre cânceres de pele malignos
e benignos. Agora, o recurso específico do domínio inclui a simetria da toupeira, os recursos 1
G1D(x) = ÿÿÿÿÿ
e ÿ ( x2
2ÿ2 ) . (1)
de limite da ROI e a textura do limite da lesão. Além disso, obtenha recursos profundos 2ÿ ÿ ÿ
típicos de uma rede pré-treinada aprimorada para dispositivos móveis chamada Google
Um filtro de suavização eficaz para uma imagem foi adequado em diversas regiões
MobileNet.
espaciais e de frequência, nas quais cumpre a conexão incerta conforme projetado em:

Sikkandar et al. [16] apresentaram um novo sistema de classificação baseado em 1

ÿxÿÿ ÿ . (2)
segmentação, para diagnóstico de lesões cutâneas com a combinação de algoritmos ANFC 2
e GrabCut. A técnica apresentada inclui 4 fases principais: segmentação, pré-processamento,
Os operadores gaussianos em 2D (circularmente simétricos) são apresentados por:
classificação e extração de recursos. A princípio, a fase de pré-processamento é realizada
pelas técnicas de inpainting e filtro Top hat. O método Grabcut é empregado para segmentar
as imagens pré-processadas. Posteriormente, a extração de recursos é realizada usando
1
um método Inception baseado em DL. Por fim, é realizado um método ANFC para classificar G2D(x, y) = e
2ÿ2
ÿ ( x2+y2 ), (3)
2ÿÿ2
as imagens dermatoscópicas em vários tipos.
enquanto ÿ (Sigma) representa o SD da função gaussiana. O valor máximo foi capaz
Rodrigues et al. [17] sugeriram o uso de métodos TL e DL em uma IoT para auxiliar de efeitos de suavização superiores. (x, y) significa a coordenada cartesiana da imagem
os médicos no diagnóstico de nevos típicos, melanoma e câncer de pele padrão. Este que implica a dimensão da janela.
estudo emprega o método CNN como extrator de recursos. Os métodos CNN utilizados Esses filtros são compostos por processos de soma e multiplicação entre o kernel e a
são NASNet, VGG, Inception, ResNet, MobileNet, Inception-ResNet, Xception e DenseNet. imagem, enquanto a imagem foi utilizada a partir do formato de matriz dentro de [0–255] 8
Alguns outros trabalhos relacionados à classificação de lesões cutâneas com base em bits. O kernel garante uma matriz quadrada padronizada (entre [0, 1]). Posteriormente, o
DL estão disponíveis na literatura [18–22]. kernel foi demonstrado como a quantidade de bits. Contra o procedimento convolucional, a
combinação de todos os bits do kernel e de todos os elementos das imagens foi dividida
pela potência de 2.
3. O modelo proposto

Neste estudo, uma técnica IIoT-DLSLD eficaz foi desenvolvida para diagnóstico de
3.3. Segmentação de imagens usando técnica OT-SSO
lesões cutâneas em ambiente IoT. A técnica IIoT-DLSLD proposta permite que os
dispositivos IoT capturem as imagens dermatoscópicas e classifiquem as lesões cutâneas
Limiar de imagem, a técnica Otsu foi a técnica de processo de limiar de imagem mais
em rótulos de classes distintas. A técnica IIoT-DLSLD proposta abrange diferentes
geralmente utilizada. Para limites de dois níveis, a nova técnica de Otsu é explicada da
subprocessos, nomeadamente aquisição de imagem, segmentação baseada em OT-SSO,
seguinte forma: Primeiramente, é considerada como uma imagem compreendendo N pixels
extração de recursos baseada em MobileNetv2, pré-processamento baseado em GF,
de nível de cinza em 0 a L ÿ 1. A quantidade de i- ésimos pixels de nível de cinza é h(i) , e
otimização de parâmetros baseada em EPO e classificação baseada em DWNN. A Figura
PRi representa a probabilidade de i. Posteriormente, o histograma de nível de cinza da
1 descreve os processos completos do algoritmo IIoT-DLSLD. O funcionamento completo
imagem foi padronizado e determinado na Eq. (4):
deste módulo é apresentado nas subseções a seguir.

oi
PRi = 0 ÿ i ÿ t, t + 1 ÿ i ÿ L ÿ 1 (4)
3.1. Aquisição de imagem N,

Quando o limite é t, uma nova imagem foi classificada em 2 classes C0

Durante esta fase, foi montada a van inteligente de cuidados com a pele assistida por IoT.
e C1 : C0 para [0, ÿ, t], C1 para [t + 1,ÿ, L ÿ 1].
O método apresentado foi fixado com diferentes tipos de nós sensores de pele e
A probabilidade cumulativa de existência de classe é indicada na Eq. (5):
equipamentos para facilitar o teste de saúde. Nível de umidade, sensor de imagem, nível
1
de secura, nível de ph e assim por diante podem ser os vários tipos de sensor de pele. PRi (5)
ÿ0 = P(C0) = ÿt eu=1 PRi,ÿ1 = P(C1) = ÿLÿ eu=t+1
Além do sensor comparado com medicinal e de saúde, alguns sensores ambientais
também foram montados no domínio. Este sensor foi utilizado para coleta de dados O valor médio das intensidades para o limiar de dois níveis de todos os
detalhados da região rural em classes são fornecidas na Eq. (6):

37
Machine Translated by Google

Y. Asiri et al. Alexandria Engineering Journal 78 (2023) 35–44

Figura 2. Estrutura do MobileNet.

1
ÿLÿi=t+1iPRi
partículas: Partículas Líderes (li), Partículas Exploradoras (ej) e Partículas
ÿt i=0iPRi (6)
µ0 = , ÿ1 =
ÿ0 ÿ1
Aimless (oi), tudo isso foi uma preocupação particular do conjunto. A partícula ej
foi responsável por pesquisar o espaço do problema. Esta eficiência de busca
é
Depois de calcular este valor, a variância entre classes ÿ2 B poderia ser implementada sob o controle da quantidade de parâmetros [24]. A
alcançado utilizando na Eq. (7) partícula emprega os seguintes procedimentos para explorar e continuar a direção:
ÿ2B = ÿ2 0 + ÿ2 1 (7)
VHLi+1 = VHLj + ÿHLrand()(ebest ÿ ej) + ÿHLrand()(HLj ÿ ej) (11)
onde ÿ2 e ÿ2 denota as variações de C0 e C1 correspondentemente 0 1
que é determinado como:
Eq. (11) representa o parâmetro do vetor velocidade na direção do líder global
2 2 (GL).
ÿ20 = ÿ0(ÿ0 ÿ ÿT ) , ÿ21 = ÿ1(ÿ1 ÿ ÿT ) (8)
ÿHL= {se ( ej= 0||ebest = 0)ÿ ÿ > 1,5 } (12)
onde ÿT significa toda a intensidade média da nova imagem determinada
como ÿT = ÿ0ÿ0 +ÿ1ÿ1 e ÿ0 + ÿ1 = 1. De acordo com a análise acima, a alteração Eqs. (12), (13) estimar a variável dos coeficientes de aceleração (ÿHL)
entre classes dependente da classificação binária foi determinada utilizando a que influencia diretamente o conhecimento individual de cada partícula.
fórmula:
ÿ rand()ÿei
* if (ei < ebest)&&(ÿHLi)ÿ ei, ebest ÿ= 0
ÿ2B (t ) = máx{ÿ2 B(t)}, 0 ÿ t ÿ L ÿ 1 (9) melhor

Eqs. (4)–(9) são determinados para a questão do limite de dois níveis, também podem 2rand()ÿei
se (ei < ebest)&&(ei > HLi)ÿ ei ÿ= 0 1
ser expandidos simplesmente para limites de imagem de vários níveis com a seguinte escrita: (13)
ÿHL = ÿÿÿÿÿÿÿÿÿÿÿÿÿ

(2ÿei)
* * * melhor
ÿ2B ( t1, 2, ÿ, t nÿ 1 ) = máx{ ÿ2 B(t1, t2, ÿ, tnÿ 1) } t (10) se (ei > ebest)ÿ 1
ÿÿÿÿÿÿÿÿÿÿÿÿÿ (2ÿrand())
1 ÿ t1 < t2 < ÿ < tnÿ 1 < L.

Para determinar o valor ideal de limiar, a técnica SSO é utilizada. A abordagem ÿHL= {se ( ej= 0||ebest = 0)ÿ ÿ > 1,5 } (14)
SSO foi inspirada à medida que o trabalho conjunto das andorinhas e a interface
entre os membros do bando alcançam resultados ótimos. Esta técnica é proposta
de forma metaheurística de acordo com diferentes propriedades das andorinhas
que incluem habilidade de caça, relação social inteligente e vôo rápido. Parece
que esta abordagem era equivalente ao PSO, no entanto, poderia ser uma
característica única que não é iniciada a partir de métodos semelhantes,
envolvendo o emprego de 3 tipos de

38
Machine Translated by Google

Y. Asiri et al. Alexandria Engineering Journal 78 (2023) 35–44

ÿ ÿ
rand ( mín.émáx. e)
oi+1 = oi + Rand({ ÿ 1, 1} )*
ÿ ÿ

(16)
1 + rand()
ÿ ÿ

ÿ ÿ

Na abordagem SSO, consiste: no líder local (LL) e também no GL. As

partículas foram divididas em grupos. A partícula em todos os grupos é
comumente semelhante. Então, uma partícula melhor de cada grupo foi
escolhida e é denominada LL. Posteriormente, foi eleita uma partícula
melhor dentre as LL, denominada GL. A partícula altera o caminho e
converge dependendo da localização dessas partículas.

3.4. Extração de recursos baseada em MobileNetv2

Uma vez que as imagens segmentadas são alimentadas no MobileNetv2

para derivar um conjunto eficaz de vetores de recursos. O MobileNet V2
aumenta a eficiência dos processos móveis em diversas funções e através de
um espectro de tamanhos de métodos distintos. O conhecimento por trás das
técnicas MobileNet é trocado por camadas Conv caras com um bloco Conv
separável em profundidade, no qual todos os blocos contêm 3 × 3 camadas
Conv em profundidade que filtram a entrada, depois 1 × 1 camadas Conv
pontuais que unem esses valores de filtro para criar um novo recurso. Pode
ser muito maior do que a conversão normal com resultados semelhantes. A
estrutura MobileNet Vl começa com Conv 3 × 3 regular e continua com treze
camadas Conv separáveis em profundidade.
No MobileNet V2, todos os blocos possuem camada de expansão 1 × 1, também
camadas Conv profundas e pontuais. Diferente de Vl, a camada Conv pontual de V2
identificada como camada de projeção desenvolve dados com quantidade máxima de
canais como tensor através de uma quantidade significativamente menor de canais. O
bloco restante do gargalo é a saída de todos os blocos que são gargalos. Na expansão 1
× 1, as camadas Conv são expandidas na quantidade de canais de acordo com o problema
de expansão das informações anteriores que ela direciona para Conv em profundidade
[25]. A segunda novidade do bloco de estrutura Mobi-leNet V2 foi a conexão restante. A
associação restante ocorre para auxiliar o fluxo do gradiente com a rede. Porém, o
resultado da camada de projeção não possui função de ativação. A estrutura completa
do MobileNet V2 contém dezessete blocos restantes de gargalo da linha, depois da Conv
1 × 1 regular, do pool de média global e das camadas de classificação. A Figura 2
demonstra a arquitetura do MobileNet.

Em Conv típico, obtém um tensor de entrada hixwixdi Li e executa o

kernel Conv K ÿ Rkxkxdixdj para produzir tensores de saída hixwixdj Lj é o
custo de cálculo de hi*wi*di*dj*k*k. Mas Conv separável em profundidade
que é alternativa às camadas Conv típicas, empiricamente funciona aproximadamente

Conv mately e regular custa apenas hi*wi*di ( k2 +dj ) que é o

quantidade de profundidade e 1 × 1 pontual Conv. Cálculo de redução de Conv
Figura 3. Fluxograma da EPO. separável em profundidade com eficiência relacionado à camada Conv típica com
problemas próximos de. k2
MobileNetV2 utiliza k = 3 (3 × 3 Conv separável em
ÿ profundidade), conseqüentemente, o custo de cálculo é 8–9 vezes menor do
if (ei < ebest)&&(ei < HLi) ÿrand()ÿei ei, HLi ÿ= 0
eiÿHLi que o Conv clássico com uma precisão apenas um pouco menor.

if (ei < ebest)&&(ei > HLi) ÿ2rand()ÿei 1 ei ÿ= 0 3.5. Classificação de imagens usando a técnica EPO-DWNN
ÿHL = (15)
ÿÿÿÿÿÿÿÿÿÿÿÿÿ

(2ÿei)
Eventualmente, a técnica EPO-DWNN é aplicada para atribuir os
HLi
se (ei > ebest)ÿ 1 rótulos de classe apropriados às imagens dermatoscópicas. No momento
da decomposição wavelet, filtros passa-alto e passa-baixo são empregados
ÿÿÿÿÿÿÿÿÿÿÿÿÿ

(2ÿrand())
Eqs. (14) e (15) calculam o coeficiente de aceleração (ÿHL) que afeta
diretamente as capacidades conjuntas de todas as partículas. Na verdade,
esses dois coeficientes de aceleração foram quantificados permitindo que a
posição de todas as partículas seja comparada com melhor habilidade
individual e GL. A partícula oi emprega o seguinte na Eq. (16) ao movimento arbitrário:
nas imagens, levando a um total de outras imagens. As imagens obtidas a
partir dos filtros passa-baixa e passa-alta são conhecidas como
aproximações. Durante a aproximação, a suavidade da imagem de entrada
é enfatizada, enquanto os detalhes das bordas são apontados. No modelo
DWNN, os neurônios podem ser gerados pela combinação do filtro
fornecido com o procedimento de redução do tamanho da imagem, denominado downs
Cada filtro empregado no DWNN gera um banco de filtros que é colocado
durante todo o procedimento. Portanto, a imagem de entrada pode ser
alimentada em n neurônios que constroem a camada intermitente inicial do NN. No

39
Machine Translated by Google

Y. Asiri et al. Alexandria Engineering Journal 78 (2023) 35–44

Figura 4. Exemplos de imagens.

Na próxima camada, as imagens obtidas da camada anterior são alimentadas em um banco de ÿ

Xgrid (precisão) = |X ÿ X ÿ| (21)

filtros idêntico e a redução da resolução é realizada para a imagem de teste. Esses processos são
iterados para a camada intermitente consecutiva. Onde M refere o parâmetro ao movimento fixado em 2, ÿx define as melhores
soluções, ÿx esse episódio
representa os lugares de outro EP, [0,1] e ÿ significa
Por fim, a camada final do modelo DWNN inclui o bloco de síntese, que é útil para extrair os valor absoluto para Rand.
detalhes das imagens resultantes de todo o procedimento. Para ajustar os hiperparâmetros
ÿ ÿ

envolvidos no modelo DWNN, o algoritmo EPO pode ser utilizado. EPO, uma metodologia
(22)
ÿ ÿ

D ÿep = ÿ ÿ

bioinspirada, foi originalmente projetada por Dhiman e Kumar [26] em 2018, para resolver problemas ÿ { S ( U ÿ) ÿX ÿ(x) ÿ V ÿÿ X ÿep(x) } ÿ

otimizados em comparação com os campos de aplicação da engenharia. O EPO era controlado pela ÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿ

atitude amontoada do pinguim-imperador (EP) como iniciado da Antártida. Para forragear, o EP
geralmente viaja de rafl/colônia. A característica peculiar iniciada por esses animais sociais na
forragem é esse desempenho de amontoamento. Assim, um objetivo inicial é definir o movimentador
efetivo no enxame sob o processo aritmético. A distância entre EP (xep) é estimada para atingir
isso, posteriormente seu perfil de temperatura (ÿ' ). O motor produtivo foi definido neste e locais de
outros PE são alterados para atingir o valor ótimo. O esboço desta técnica detalhada é fornecido
em: O perfil de temperatura do EP é medido como:
2
(23)
S(você ÿ) = ÿ (feÿ C/ v ÿ eÿ C)
Eqs. (22) e (23) são construídos para avaliar a distância entre o EP, bem como os agentes de
busca mais aptos (D ÿep). S() representa a força social para que os agentes de busca ótimos sejam
liderados por EP, e demonstrando a função exponencial [27]. Os parâmetros de controle f e v são
indivíduos nos quais os valores ótimos de f e v estão na faixa de (2, 3) e (1,5, 2) correspondentemente.

Neste ponto, com base no agente ótimo alcançado utilizando a Eq. (24), o lugar do EP está
sendo modernizado d.

X ÿep(x + 1) = X ÿ(x)ÿ U ÿÿD ÿep (24)

Iter máx.
(17)
ÿÿ = ( ÿ ÿ ÿ C - Iter máx .) Pode ser óbvio que a faixa de parâmetros selecionada é igual a indivíduos da nova literatura.
Portanto, o método EPO foi empregado para atingir o valor global ideal para o operador. A Figura 3
apresenta o fluxograma de
(18)
= { 0seR 1seR
> 0,5 < 0,5 EPO.

No EPO, com EP individual criado arbitrariamente, foi iniciada a população de EP.

A quantidade máxima de rodadas, em que C representa a rodada atual foi escrita
como Itermax e R implica o valor arbitrário entre 0 e 1.

4. Validação experimental
Como os EP normalmente se amontoam para preservar a temperatura, são obtidas precauções
cuidadosas para defendê-los em colisões na vizinhança. Para isso, sugere vetores (U ÿ) e (V ÿ)
O modelo proposto é simulado utilizando a ferramenta Python 3.6.5. A validação experimental
cujos valores são estimados da técnica IIoT-DLSLD realizada por conjuntos de dados ISIC [28]. Compreende imagens
acasalado como:
dermatoscópicas em classes distintas, nomeadamente Carcinoma Basocelular (CBC), Angioma
(ANG), Lentigo NOS (LNOS), Nevo (NEV), Lentigo Solar (SLG), Melanoma (MEL) e Queratose
você ÿ= {M×(ÿÿ + Xgrid(precisão)) × Rand(} ÿ 11 (19)
Seborréica (SKT) . Poucas imagens de amostra são demonstradas na Fig .
ÿ
V = Rand() (20)
A Figura 5 mostra as matrizes de confusão da técnica IIoT-DLSLD

40
Machine Translated by Google

Y. Asiri et al. Alexandria Engineering Journal 78 (2023) 35–44

5. Matriz de confusão do modelo IIoT-DLSLD em 3 execuções.

tabela 1
Análise de resultados do modelo IIoT-DLSLD com diferentes medidas.

Aulas Sensibilidade Especificidade Precisão Medida F

Execução-1

ANG 1,0000 0,9933 0,9937 0,9545

NEV 0,9783 0,9926 0,9906 0,9677
LNOS 0,9756 0,9964 0,9937 0,9756
SLG 0,9706 0,9960 0,9906 0,9778
MEL 0,9804 0,9925 0,9906 0,9709
SKT 0,9630 0,9962 0,9906 0,9720
CCO 0,9459 1,0000 0,9937 0,9722
Execução-2

ANG 1,0000 1,0000 1,0000 1,0000

NEV 0,9783 0,9926 0,9906 0,9677
LNOS 0,9512 0,9964 0,9906 0,9630
SLG 0,9706 0,9880 0,9843 0,9635
MEL 0,9804 0,9963 0,9937 0,9804
SKT 0,9630 0,9924 0,9874 0,9630
CCO 0,9459 0,9964 0,9906 0,9589
Corrida-3
ANG 1,0000 1,0000 1,0000 1,0000
NEV 0,9783 1,0000 0,9969 0,9890 Figura 6. Análise de resultados do modelo IIoT-DLSLD na execução 1.
LNOS 0,9512 0,9964 0,9906 0,9630
SLG 0,9853 0,9880 0,9874 0,9710
MEL 0,9804 0,9925 0,9906 0,9709
sobre a classificação do câncer de pele em três execuções. Os números
SKT 0,9815 0,9962 0,9937 0,9815 mostram que a técnica IIoT-DLSLD identificou efetivamente as lesões
CCO 0,9459 0,9964 0,9906 0,9589 cutâneas em diferentes classes. Por exemplo, com a execução-1, a técnica
IIoT-DLSLD classificou 21 imagens em ANG, 45 imagens em NEV, 40
imagens em LNOS, 66 imagens em SLG, 50 imagens em MEL, 52 imagens
em SKT e 35 imagens. em CCO. Da mesma forma, com a execução 2, o IIoT-DLSLD

41
Machine Translated by Google

Y. Asiri et al. Alexandria Engineering Journal 78 (2023) 35–44

Figura 7. Análise de resultados do modelo IIoT-DLSLD na execução 2.

Figura 9. Análise média do modelo IIoT-DLSLD com medidas distintas.

Tabela 3
Análise comparativa do modelo IIoT-DLSLD com abordagens existentes.

Métodos Sensibilidade Especificidade Precisão

Técnica IIoT-DLSLD 0,973 0,995 0,992

DLCAL-SLDC 0,945 0,991 0,985
DL-ANFC 0,934 0,987 0,979
Conv. NN 0,817 0,829 0,824
SVM 0,732 0,754 0,743
Recursos de alto nível 0,835 0,813 0,811
CDNN 0,825 0,975 0,934
DLN 0,820 0,978 0,932
ResNets 0,802 0,985 0,934
DCCN-GC 0,908 0,927 0,934

Figura 8. Análise de resultados do modelo IIoT-DLSLD na execução 3.

Tabela 2
Análise média do modelo IIoT-DLSLD em 3 execuções.

Nº de corridas Sensibilidade Especificidade Precisão Medida F

Execução-1 0,9734 0,9953 0,9919 0,9701

Execução-2 0,9699 0,9946 0,9910 0,9709
Corrida-3 0,9747 0,9957 0,9928 0,9763
Média 0,9727 0,9952 0,9919 0,9724

A técnica classificou 21 imagens em ANG, 45 imagens em NEV, 39 imagens em

LNOS, 66 imagens em SLG, 50 imagens em MEL, 52 imagens em SKT e 35
imagens em BCC. Da mesma forma, com a execução 3, a técnica IIoT-DLSLD
classificou 21 imagens em ANG, 45 imagens em NEV, 39 imagens em LNOS, 67
imagens em SLG, 50 imagens em MEL, 53 imagens em SKT e 35 imagens em
Figura 10. Análise de sensibilidade da técnica IIoT-DLSLD com abordagens existentes.
BCC.
A Tabela 1 fornece uma breve análise dos resultados da classificação do IIoT-
instâncias com sensy, specy, acy e Fmeasure de 0,9630, 0,9962, 0,9906 e 0,9720.
Técnica DLSLD em três execuções diferentes.
Por último, a técnica IIoT-DLSLD determinou as instâncias BCC com sensy, specy,
A Figura 6 investiga os resultados da classificação de lesões cutâneas da
técnica IIoT-DLSLD na execução-1. A figura mostra que a técnica IIoT-DLSLD acy e Fmeasure de 0,9459, 1,0000, 0,9937 e 0,9722.

classificou as instâncias ANG com sensy, specy, accy e Fmeasure de 1,0000,

A Figura 7 examina os resultados da classificação de lesões cutâneas da
0,9933, 0,9937 e 0,9545. Além disso, a técnica IIoT-DLSLD identificou as instâncias
abordagem IIoT-DLSLD na execução 2. O número superou o desempenho do
NEV com sensy, specy, acy e Fmeasure de 0,9783, 0,9926, 0,9906 e 0,9677.
método IIoT-DLSLD que classificou as instâncias ANG com sensy, specy, accy e
Fmeasure de 1,0000, 1,0000, 1,0000 e 1,0000. Além disso, o
Ao mesmo tempo, a técnica IIoT-DLSLD categorizou o SKT

42
Machine Translated by Google
Y. Asiri et al.
Figura 11. Análise de especificidade da técnica IIoT-DLSLD com abordagens existentes.
Figura 12. Análise de precisão da técnica IIoT-DLSLD com abordagens existentes.
A abordagem IIoT-DLSLD identificou as instâncias NEV com sensy, specy, accy e
Fmeasure de 0,9783, 0,9926, 0,9906 e 0,9677. Simultaneamente, o esquema IIoT-
DLSLD categorizou as instâncias SKT com sensy, specy, accy e Fmeasure de 0,9630,
0,9924, 0,9874 e 0,9630. Eventualmente, o sistema IIoT-DLSLD superou as instâncias
BCC com sensy, specy, accy e Fmeasure de 0,9459, 0,9964, 0,9906 e 0,9589.
A Figura 8 inspeciona os resultados da classificação de lesões cutâneas da técnica
IIoT-DLSLD na execução 3. A figura mostra que a técnica IIoT-DLSLD classificou as
instâncias ANG com sensy, specy, accy e Fmeasure de 1,0000, 1,0000, 1,0000 e 1,0000.
Da mesma forma, a abordagem IIoT-DLSLD identificou as instâncias NEV com
sensy, specy, accy e Fmeasure de 0,9783, 1,0000, 0,9969 e 0,9890. Seguido por, a
técnica IIoT-DLSLD categorizou as instâncias SKT com sensy, specy, accy e Fmeasure
de 0,9815, 0,9962, 0,9937 e 0,9815. Por fim, o algoritmo IIoT-DLSLD demonstrou as
instâncias BCC com sensy, specy, acy e Fmeasure de 0,9459, 0,9964, 0,9906 e 0,9589.
A Tabela 2 e a Figura 9 mostram uma análise geral dos resultados da técnica IIoT-
DLSLD. Os resultados ilustraram que o método IIoT-DLSLD atingiu a máxima precisão
de classificação. Por exemplo, com a execução 1, a técnica IIoT-DLSLD atingiu
sensibilidade, especificação, precisão e medida médias
43
Alexandria Engineering Journal 78 (2023) 35–44
de 0,9734, 0,9953, 0,9919 e 0,9701. Além disso, com a execução 2, a metodologia
IIoT-DLSLD atingiu sensy, specy, accy e Fmeasure médios de 0,9699, 0,9946, 0,9910
e 0,9709. Além disso, com a execução 3, a abordagem IIoT-DLSLD atingiu sensy,
specy, accy e Fmeasure médios de 0,9747, 0,9957, 0,9928 e 0,9763.
Finalmente, uma análise comparativa dos resultados do IIoT-DLSLD com métodos
recentes [11] ocorre na Tabela 3. Uma breve análise sensata do IIoT-DLSLD com
metodologia recente é realizada na Fig . os modelos atingiram menor sensibilidade de
0,732 e 0,802, respectivamente. Em consonância com o Conv. Os recursos NN, DLN,
CDNN e de alto nível obtiveram sensibilidade moderada de 0,817, 0,82, 0,825 e 0,835,
respectivamente. Junto com isso, as técnicas DCCN-GC, DL-ANFC e DLCAL-SLDC
atingiram um nível razoável de 0,908, 0,934 e 0,945. mas, a técnica IIoT-DLSLD
proposta obteve resultados superiores com o sensy máximo de 0,973.
Uma análise detalhada de espécies do IIoT-DLSLD com abordagens existentes é
realizada na Fig. 11. A figura superou o desempenho que o SVM e as técnicas de
recursos de alto nível obtiveram espécies mínimas de 0,754 e 0,813, respectivamente.
Além disso, o Conv. Os modos NN, DLN, CDNN e ResNets atingiram valores moderados
de 0,829, 0,978, 0,975 e 0,985, respectivamente. Além disso, as abordagens DCCN-
GC, DL-ANFC e DLCAL-SLDC ganharam valores razoáveis de 0,927, 0,987 e 0,991.
Eventualmente, a abordagem IIoT-DLSLD apresentada alcançou maior eficiência com
a espécie máxima de 0,995.
Uma breve análise de precisão do IIoT-DLSLD com abordagens existentes é realizada
na Fig. 12. A figura afirma que as abordagens SVM e de recursos de alto nível atingiram
uma precisão inferior de 0,743 e 0,811, respectivamente. Em consonância com o Conv.
NN, DLN, CDNN e ResNets alcançaram uma precisão moderada de 0,824, 0,932, 0,934
e 0,934, respectivamente. Da mesma forma, as técnicas DCCN-GC, DL-ANFC e DLCAL-
SLDC atingiram uma precisão razoável de 0,934, 0,979 e 0,985. Porém, a abordagem
IIoT-DLSLD apresentada atingiu eficiência máxima com o aumento da precisão de 0,992.
A partir do resultado e discussão acima mencionados, garante-se que a técnica IIoT-
DLSLD pode ser empregada como uma ferramenta eficaz para classificação de lesões
cutâneas.
5. Conclusão
Neste estudo, uma técnica IIoT-DLSLD eficaz foi desenvolvida para diagnóstico de
lesões cutâneas em ambiente IoT. A técnica IIoT-DLSLD proposta permite que os
dispositivos IoT capturem as imagens dermatoscópicas e classifiquem as lesões
cutâneas em rótulos de classes distintas. A técnica IIoT-DLSLD proposta abrange
diferentes subprocessos, ou seja, aquisição de imagem, segmentação baseada em OT-
SSO, extração de recursos baseada em MobileNetv2, pré-processamento baseado em
GF, otimização de parâmetros baseada em EPO e classificação baseada em DWNN. A
validação experimental da técnica IIoT-DLSLD ocorreu contra o conjunto de dados
ISIC e os resultados descreveram a melhoria da abordagem IIoT-DLSLD em relação
aos outros classificadores de lesões cutâneas do estado da arte. Portanto, a técnica
IIoT-DLSLD pode ser aplicada como uma ferramenta proficiente para diagnóstico e
classificação de lesões cutâneas. No futuro, a metodologia IIoT-DLSLD apresentada
poderá ser realizada como um aplicativo de smartphone para ajudar pacientes em
áreas remotas.
Declaração de interesse concorrente
Os autores declaram que não têm interesses financeiros concorrentes ou relações
pessoais conhecidas que possam ter influenciado o trabalho relatado neste artigo.
Reconhecimento
Os autores agradecem à Pró-Reitoria de Pesquisa Científica da
Universidade de Najran pelo financiamento deste trabalho, no âmbito do General Research
Código de concessão do programa de financiamento (NU/DRP/SERC/12/44) e Princess
Projeto de apoio a pesquisadores da Universidade Nourah bint Abdulrahman
Machine Translated by Google

Y. Asiri et al. Alexandria Engineering Journal 78 (2023) 35–44

número (PNURSP2023R51), Universidade Princesa Nourah bint Anais da Conferência Internacional sobre Computação Inteligente, Sistemas de Informação e
Controle, Springer, Cingapura, 2021, pp.
Abdulrahman, Riade, Arábia Saudita.
[14] B. Harangi, Classificação de lesões cutâneas com conjuntos de neurônios convolucionais profundos
redes, J. Biomed. Informar. 86 (2018) 25–32.
Referências [15] P. Sahu, D. Yu, H. Qin, Aplique aprendizado profundo leve na Internet das coisas para detecção de
câncer de pele de baixo custo e fácil acesso, em: Medical Imaging 2018: Imaging Informatics for
Healthcare, Research, e Aplicações, Sociedade Internacional de Óptica e Fotônica, Vol. 10579,
[1] MA Kassem, KM Hosny, R. Damaÿseviÿcius, MM Eltoukhy, Aprendizado de máquina e métodos de
2018, março, pp.
aprendizado profundo para classificação e diagnóstico de lesões cutâneas: uma revisão sistemática,
[16] MEU Sikkandar, BA Alrasheadi, NB Prakash, GR Hemalakshmi,
Diagnostics 11 (8) (2021) 1390.
A. Mohanarathinam, K. Shankar, Aprendizado profundo baseado em segmentação automatizada de
[2] G. Fabbrocini, M. Triassi, MC Mauriello, G. Torre, MC Annunziata, V. De Vita, F. Pastore, V. D'Arco, G.
lesões cutâneas e modelo de classificação inteligente, J. Ambient Intell. Zumbir. Computação. 12 (3)
Monfrecola, Epidemiologia do câncer de pele: papel de alguns fatores ambientais , Cânceres 2
(2021) 3245–3255.
(2010) 1980–1989.
[17] DDA Rodrigues, RF Ivo, SC Satapathy, S. Wang, J. Hemanth, PP Reboucas Filho, Uma nova
[3] H. Haenssle, C. Fink, R. Schneiderbauer, F. Toberer, T. Buhl, A. Blum, Reader Study Level-I e Level-II
abordagem para classificação de lesões cutâneas baseada em transfer learning, deep learning e
Groups, Homem contra máquina: desempenho diagnóstico de um neural convolucional de
sistema IoT, Pattern Recogn. Vamos. 136 (2020) 8–15.
aprendizagem profunda rede para reconhecimento dermatoscópico de melanoma em
[18] G. Arora, AK Dubey, ZA Jaffery, A. Rocha, Um estudo comparativo de quatorze redes de aprendizagem
comparação com 58 dermatologistas, Ann. Oncol. 29 (2018)
1836–1842. profunda para classificação de múltiplas lesões cutâneas (MSLC) em dados não balanceados, Neural
Comput. Apl. (2022) 1–27.
[4] ARA Ali, TM Deserno, Uma revisão sistemática da detecção automatizada de melanoma em imagens
[19] CSS Anupama, L. Natrayan, E. Laxmi Lydia, AR Wahab Sait, J. Escorcia-
dermatoscópicas e seus dados reais, Proc. SPIE Int. Soc. Optar. Eng. 8318 (2012) 1–6.
Gutierrez, M. Gamarra, RF Mansour, Aprendizado profundo com modelo de diagnóstico de lesões
cutâneas baseado em otimização de pesquisa de retrocesso, Comput. Matéria. Continua 70 (1)
[5] G. Fabbrocini, G. Betta, G. Di Leo, C. Liguori, A. Paolillo, A. Pietrosanto,
(2021) 1297–1313.
P. Sommella, O. Rescigno, S. Cacciapuoti, F. Pastore, et al., Processamento de imagem de
[20] BWY Hsu, VS Tseng, Aprendizagem contrastiva com reconhecimento de hierarquia com fusão tardia
epiluminescência para diagnóstico de lesões cutâneas melanocíticas com base na lista de
para classificação de lesões de pele, em: Computer Methods and Programs in Biomedicine, 2022,
verificação de 7 pontos: uma discussão preliminar sobre três parâmetros, Open Dermatol. J. 4 (2010) 110–115.
pp.106666.
[6] RB Oliveira, JP Papa, AS Pereira, JMRS Tavares, Métodos computacionais para classificação de lesões
[21] F. Afza, M. Sharif, MA Khan, U. Tariq, HS Yong, J. Cha, Classificação de lesões cutâneas multiclasse
cutâneas pigmentadas em imagens: revisão e tendências futuras, Computação Neural. Apl. 29
usando seleção híbrida de características profundas e máquina de aprendizado extremo, Sensores
(2016) 613–636.
22 (3) (2022) 799.
[7] G. Argenziano, HP Soyer, Dermatoscopia de lesões cutâneas pigmentadas: uma ferramenta valiosa para
[22] KM Hosny, MA Kassem, Rede convolucional profunda residual refinada para classificação de lesões
o diagnóstico precoce do melanoma, Lancet Oncol. 2 (2001) 443–449.
cutâneas, J. Digit. Imagens (2022) 1–23.
[8] I. Stanganelli, A. Brucale, L. Calori, R. Gori, A. Lovato, S. Magi, B. Kopf,
[23] D. Nandan, J. Kanungo, A. Mahajan, Um filtro gaussiano com eficiência de erros para processamento
R. Bacchilega, V. Rapisarda, A. Testori, et al., Diagnóstico auxiliado por computador de lesões
de imagem usando a multiplicação de logaritmo de decomposição de operando
melanocíticas, Anticancer Res. 25 (2005) 4577–4582.
expandido, J. Ambient Intell. Zumbir. Computação. (2018) 1–8.
[9] P. Rubegni, G. Cevenini, M. Burroni, R. Perotti, G. Dell'Eva, P. Sbano, C. Miracco, P. Luzi, P. Tosi, P.
[24] M. Neshat, G. Sepidnam, M. Sargolzaei, Algoritmo de otimização de enxame de andorinha: um novo
Barbini, et al., Automatizado diagnóstico de lesões cutâneas pigmentadas, Int. J. Câncer 101 (2002)
576–580. método para otimização, Computação Neural. Apl. 23 (2) (2013) 429–454.
[25] A. Michele, V. Colin, DD Santika, redes neurais convolucionais Mobilenet e máquinas de vetores de
[10] A. Blum, I. Zalaudek, G. Argenziano, Análise de imagem digital para diagnóstico de tumores de pele,
suporte para reconhecimento de impressões palmares, Procedia Comput. Ciência. 157 (2019) 110–
Semin. Cutan. Med. Surg. 27 (2008) 11–15.
117.
[11] D. Adla, G. Reddy, P. Nayak, G. Karuna, aprendizagem profunda baseada em computador auxiliado
[26] G. Dhiman, V. Kumar, Otimizador de hiena manchada multiobjetivo: um algoritmo de otimização multiobjetivo
modelo de diagnóstico para detecção e classificação de câncer de pele, Distributed Parallel
para problemas de engenharia, Knowl.-Based Syst. 150 (2018) 175–197.
Databases (2021) 1–20.
[12] S. Juyal, S. Sharma, AS Shukla, Monitoramento inteligente da saúde da pele usando IA habilitada
[27] G. Dhiman, D. Oliva, A. Kaur, KK Singh, S. Vimal, A. Sharma, K. Cengiz, BEPO: um novo otimizador
IoT baseada em nuvem, Proc. Matéria. Hoje (2021).
de pinguim imperador binário para seleção automática de recursos, Knowl.- Based Syst. 211
[13] B. Pushpa, Um modelo eficiente de detecção de lesões cutâneas habilitado para Internet das coisas (IoT)
(2021), 106560.
usando extração híbrida de recursos com modelo extremo de aprendizado de máquina, em:
[28] Conjunto de dados ISIC 2017, disponível em https://challenge.isic-archive.com/data/.

44