تشخيص سرطان پوست از روي تصاوير درموسكوپي با تاكيد بر استخراج ويژگي‌هاي شكل ، رنگ و بافت و استفاده از الگوريتم طبقه‎بندي دو مرحله‌اي

Skin Cancer Diagnosis From Dermoscopy Images Emphasized on Shape,Color And Texture Features and using the Two Level Classification Algorithm

ملانوماي بدخيم نوع خطرناك و كشنده‌ي سرطان‌پوست است. درمان قطعي اين بيماري زماني ميسر خواهد بود كه پزشك متخصص بتواند آن را به درستي و بهنگام تشخيص دهد. در اين صورت مي توان با يك برش ساده اين بيماري را به طور قطعي درمان نمود. اين روش نياز به نمونه‌برداري از سطح زخم دارد كه روشي تهاجمي بوده و بيمار را دچار درد و رنج خواهد نمود. هدف از اين مقاله ارائه روشي كارآمد مبتني بر يادگيري ماشين و تكنيك‌هاي پردازش تصوير است كه قادر باشد به صورت غيرتهاجمي و سريع، زخم ملانوما را شناسايي نمايد. بدين منظور ابتدا از تصاوير درموسكوپي مجموعه ويژگي‌هايي مبتني بر شكل،رنگ و بافت از تصوير ضايعه استخراج مي‌شود و در نهايت با استفاده از فرآيند طبقه‌بندي دو مرحله‌اي عمل دسته‌بندي براي سه كلاس خال معمول، غيرمعمول و ملانوما انجام مي‌پذيرد. نتايج حاصل از اعمال اين روش بر روي پايگاه‌داده PH2 نشان مي‌دهد كه روش طبقه‌بندي دو مرحله‌اي با دقت نزديك به 90٪ عملكرد بهتري نسبت به طبقه‌بندي يك مرحله‌اي براي داده‌هاي سه كلاسه بدست مي‌دهد.

Malignant melanoma is a dangerous type of skin cancer. definitive treatment of this Sickness will be possible when the specialist doctor can correctly diagnose it. This method requires biopsy of the wound surface, which is an invasive method and will cause pain and suffering to the patient. The purpose of this paper is to provide an efficient machine learning based approach and image processing techniques that can detect melanoma in a non-invasive manner. For this purpose, firstly, from the dermoscopy images, a set of features based on the shape, color and texture of the lesion is extracted, and finally, using the two-step classification process, classification is performed for three classes of Typical, Atypical, and melanoma. The results of applying this method on the PH2 database show that a two stage classification method with a precision of nearly 90% yields a better performance than a one-step classification for three-class data.