تشخيص و طبقه‌بندي سرطان پوست با استفاده از يادگيري عميق

Detection and classification of skin cancer using deep learning

زمينه و هدف: سرطان پوست در طول دهه‌هاي گذشته رشد چشم‌گيري داشته است و اهميت درمان اوليه آن روز به روز در حال افزايش است. هدف از اين مطالعه، استفاده از شبكه‌هاي عصبي عميق براي ايجاد يك سيستم خودكار تشخيص ملانوما بود كه در آن داده‌ها به‌طور مستقيم به‌عنوان بخشي از فرآيند يادگيري عميق كنترل مي‌شود. روش تحقيق: در اين پژوهش مطالعات بر روي تصاوير مربوط به سرطان پوست انجام شده است. براي تشخيص خوش‌خيم يا بدخيم بودن سرطان پوست از طبقه‌بندي كننده شبكه عصبي عميق به كمك فريمورك تنسورفلو و بهره‌گيري از كتابخانه كراس استفاده شده است. مجموعه داده مورد استفاده در اين پژوهش از 70 تصوير ملانوما و 100 تصوير مربوط به خال گوشتي خوش خيم تشكيل شده است. در مدل پيَشنهادي اين پژوهش 80 درصد از تصاوير پايگاه‌داده براي آموزش و 20 درصد تصاوير پايگاه داده براي آزمون انتخاب مي‌شود،. يافته‌ها: روش پيشنهادي، دقت تشخيص بالاتري دارد كه نسبت به روش‌هاي موجود باعث افزايش بيش از 10درصد در دقت تشخيص در بسياري از موارد گرديده است. دقت بالاي تشخيص و طبقه‌بندي و سرعت بالاي همگرايي به‌ نتيجه نهايي، از ويژگي‌هاي اين پژوهش نسبت به ساير تحقيقات است. نتيجه‌گيري: سيستم اتوماتيك تشخيص و طبقه‌بندي سرطان پوست بر مبناي يادگيري عميق، با دقت و سرعت مطلوبي ارائه مي‌شود.

Background and Aim: Skin cancer has grown dramatically over the past decades, and the importance of early treatment is increasing day by day. The purpose of this study is to use deep neural networks to create an auto-diagnosis system for melanoma, in which data is directly controlled as part of a deep learning process. Materials and Methods: In this paper, studies on related pictures of skin cancer were performed. For the diagnosis of benign or malignant skin cancer, the deep neural network classifier is used with the help of the Tensorflow framework and the use of the Keras libraries. The dataset which are used in this study consist 70 images of melanoma and 100 images of benign moles. In the proposed model, 80% of the database images are used for training and 20% of the database images are selected for testing. Results: The proposed method offers a higher detection accuracy than other existing methods, which has increased the accuracy of diagnosis in most cases by more than 10%. The high accuracy of the diagnosis and classification and the speed of convergence to the final result are the characteristics of this Research Compared to other Research. Conclusion: An automatic system based on deep learning is presented to identify and categorize skin cancer which provides high accuracy and speed.