تشخیص بدون نظارت سرطان پوست با ادغام ویژگی های بافت و لبه در تصاویر پوستی

در این مقاله روشی جدید برای استخراج ویژگی از تصاویر به منظور بالا بردن دقت تشخیص سرطان پوستی ملانوم ارائه شده است. این روش به صورت بدون نظارت اجرا می شود. برای این کار، ابتدا در یک فرآیند ناحیه بندی تصویر، ضایعه از پوست طبیعی اطرافش جدا می گردد. در مرحله بعد، یک سری ویژگی های بافتی و شکلی از تصویر ضایعه استخراج می شود: ماتریس هم رخداد، ماتریس طول اجزاء، ویژگی های جهتی فرکانسی، و پارامترهای تبدیل Ripplet، به عنوان ویژگی های بافتی؛ و ممان های زرنیک و ویژگی های طول شعاعی نرمالیزه شده برای بیان ویژگی های شکلی، مورد استفاده قرار گرفته اند. به طور کلی، تعداد ۶۳ ویژگی بافتی و ۳۱ ویژگی شکلی برای تصاویر استخراج شده است. ابعاد این ویژگی ها با استفاده از تبدیل PCA و یک روش پیشنهادی کاهش می یابند. جهت طبقه بندی ویژگی های استخراج شده، طبقه بندهای شبکه عصبی پرسپترون، ماشین بردار پشتیبان، چهارمین نزدیک ترین همسایه، و بیز بکار رفته است. الگوریتم پیشنهادی روی پایگاه داده ای از تصاویر برچسب خورده پوست پیاده سازی شده است. نتایج طبقه بندی ها با استفاده از ویژگی های به دست آمده، نشان می دهد که روش پیشنهادی هم از جنبه دقت و هم صحت، بر روش های پیشین برتری دارد.

Keywords:

استخراج ویژگی , تبدیل Ripplet , سرطان پوست , طبقه بندی بدون نظارت , ویژگی بافتی , ویژگی شکلی