CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

تشخیص اتوماتیک سرطان پوست ملانومابا استفاده از ادغام روشهای آستانه گذاری و الگوریتم یادگیری آدابوست

عنوان مقاله: تشخیص اتوماتیک سرطان پوست ملانومابا استفاده از ادغام روشهای آستانه گذاری و الگوریتم یادگیری آدابوست
شناسه ملی مقاله: KAUCEE01_175
منتشر شده در کنفرانس ملی پژوهش های نوین در برق، کامپیوتر و مهندسی پزشکی در سال 1396
مشخصات نویسندگان مقاله:

رضا انصاری - گروه مهندسی مکاترونیک واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
سیامک حقی پور - گروه مهندسی مکاترونیک واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

خلاصه مقاله:
ضایعات پوستی شامل دو شکل خوش خیم و بدخیم می باشند، خال معمولی یک ضایعه خوش خیم است و تنها تعداد بسیار کمی از آنها بدخیم می شوند اما خالهای غیر معمولی باگذشت زمان می توانند به نوعی سرطان پوست و بدخیم به نام ملانوما تبدیل شوند. ملانوما به اندازهء انواع دیگر شایع نیست اما اگر در مراحل اولیه شناسایی و اقدام نشود می تواند کشنده باشد. در این مقاله با استفاده از ادغام روش های مختلف آستانه گذاری با الگوریتم آدابوست روشی جهت بهبود آستانه گذاری و تفکیک خال های سرطانی از غیر سرطانی ارایه شده است. ابتدا پیش پردازش هایی روی تصویر ورودی جهت بهبود کیفیت آن انجام شد. جهت قطعه بندی از سه روش آستانه گذاری مطرح Otsu, Kittler, Kapur استفاده شد، و پس از ترکیب این سه روش توسط الگوریتم یادگیری آدابوست دقت تشخیص قطعه بندی تصویر افزایش یافت. در مرحله بعد با استفاده از قوانین CDAB ویژگی های تصویر قطعه بندی شده استخراج گردیدند. در نهایت جهت دسته بندی ضایعات از چهار طبقه بند ماشین بردار پشتیبان ( SVM ،( K نزدیکترین همسایه ( KNN )، بیز ساده ( NBC )، آنالیز تفکیک خطی( LDA ) استفاده گردید و پس از ارزیابی و ترکیب طبقه بندها با الگوریتم آدابوست نتیجه نهایی مشخص گردید. در این تحقیق روی 245 تصویر که شامل 131 تصویر خال معمولی و 114 تصویر ملانوما مورد آزمایش قرار گرفت که درصد تشخیص صحیح برای ضایعات ملانوما 96.4% و برای ضایعات غیر ملانوما 91.6% بدست آمد.

کلمات کلیدی:
ملانوما، آستانه گذاری، قطعه بندی، آدابوست، طبقه بندی، SVM ، KNN ، NBC ،LDA

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/658195/