شبکه عصبی و ویژگی متن- تشخیص ملانوم

عنوان فارسی مقاله: یک روش شبکه عصبی و ویژگی متن- رنگ سه بعدی کارامد برای تشخیص ملانوم

چکیده مقاله

ملانوم بدخیم، کشنده‌ترین نوع سرطان پوست است ولی در صورتی که در مراحل اولیه تشخیص داده شود به طور موفق قابل درمان می‌باشد. به دلیل افزایش وقوع ملانوم، تحقیقات در زمینه تشخیص ملانوم خودکار افزایش یافته است(رنگ سه بعدی کارامدبرای تشخیص ملانوم). در این مقاله، یک روش جدید برای استخراج ویژگی از تصاویر درموسکوپیک، موسوم به ویژگی متن- رنگ سه بعدی چند جهتی (CTF) پیشنهاد می‌شود و تشخیص با استفاده از یک دسته بند شبکه عصبی چند لایه‌ای پس انتشار انجام می‌شود. روش پیشنهادی در مجموعه داده PH از حیث دقت، حساسیت و ویژگی تست می‌شود. CTF ترکیبی استخراج شده، دارای قدرت تشخیصی است. وقتی که یک ورودی باشد و در دسته بند شبکه عصبی تست شود، نتایج مفیدی بدست می‌آید یعنی صحت برابر با ۹۷٫۵ درصد، حساسیت=۹۸٫۱ درصد و ویژگی ۹۳٫۸۴ درصد. این روش با روش‌های دیگر مقایسه شده است و نتایج برای الگوبرداری نتایج مربوط به مجموعه داده PH، بحث شده است(رنگ سه بعدی کارامدبرای تشخیص ملانوم).

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

title: An efficient 3D color-texture feature and neural network technique for melanoma detection

abstract

Malignant melanoma is the deadliest form of skin cancer, but can be more readily treated successfully if detected in its early stages. Due to the increasing incidence of melanoma, research in the field of autonomous melanoma detection has accelerated. In this paper, a new method for feature extraction from dermoscopic images, termed multi-direction 3D colortexture feature (CTF), is proposed, and detection is performed using a back propagation multilayer neural network (NN) classifier. The proposed method is tested on the PH2 dataset (publically available) in terms of accuracy, sensitivity, and specificity. The extracted combined CTF is fairly discriminative. When it is input and tested in a neural network classifier that is provided, encouraging results are obtained, i.e. accuracy = 97.5%, sensitivity = 98.1% and specificity = 93.84%. Comparative result analyses with other methods are also discussed,