استفاده از الگوريتم هاي با نظارت براي تشخيص ملانوم در ضايعات پوستي

كارشناسي ارشد

چكيده ملانوم يكي از سرطان¬هاي پوستي بدخيم و بسيار كشنده در حال افزايش است كه تشخيص به‌موقع آن در مراحل اوليه، احتمال بقاي بيمار را افزايش و عدم تشخيص آن منجر به مرگ بيمار مي¬شود. در اين پژوهش با طبقه‌بندي تصاوير پوستي حاصل از انواع خال¬ها و ضايعه¬هاي مشاهده شده بر روي پوست، به دنبال تشخيص سرطاني بودن يا نبودن آن¬ها بدون استفاده از عمل جراحي دردناك و پرهزينه نمونه¬گيري هستيم. پس از انجام پيش¬پردازش¬هايي همچون كاهش اندازه تصاوير، تبديل تصاوير رنگي به تصاوير خاكستري و ... ناحيه مشكوك با استفاده از الگوريتم U-Net مشخص مي¬شود. سپس با استفاده از يادگيري عميق برخي ويژگي‌هاي تأثيرگذار در طبقه‌بندي مانند لبه، شكل، رنگ و ... استخراج شده‌اند. ويژگي¬هاي استخراج شده به¬عنوان ورودي روش هاي ماشين بردار پشتيبان، K- نزديك‌ترين همسايه، رگرسيون لجستيك و يكي از روش هاي يادگيري عميق با عنوان InceptionResentV2، در نظر گرفته شده¬اند. در اين پژوهش نمونه‌ها به دو كلاس ملانوم و غير ملانوم طبقه‌بندي‌شده‌اند. نتايج حاصل نشان مي‌دهد كه روش يادگيري عميق در مقايسه با روش هاي يادگيري ماشين از سرعت و دقت بالاتري برخوردار بوده و داراي دقت 92.58 است. در روش رگرسيون لجستيك سه نوع متفاوت از ويژگي‌هاي استخراج شده به‌عنوان ورودي مورداستفاده قرار گرفته است؛ الف. استفاده از تمام ويژگي‌هاي حاصل از شبكه يادگيري عميق، ب. استفاده از ويژگي‌هاي حاصل از به‌كارگيري توابع پيش‌فرض نرم‌افزار پايتون، ج. استفاده از ويژگي‌هاي حاصل از به‌كارگيري معيار كمترين پراكندگي كه براي اين سه حالت به ترتيب دقت‌هاي 87.59، 87.63 و 86.47 حاصل شد. بهترين عملكرد الگوريتم K- نزديك‌ترين همسايه نيز به‌ازاي مقدار 50 براي K با دقت 75.48 به دست آمد. همچنين الگوريتم ماشين بردار پشتيبان قادر به آموزش و ارائه مدل مناسب به‌منظور طبقه‌بندي نمونه‌ها نشد و در طي آموزش نتوانست به همگرايي دست يابد. كليدواژه: سرطان پوست، ملانوما، يادگيري ماشين، استخراج ويژگي، يادگيري عميق

195245

دانشگاه علم و صنعت ايران

دكتر كامران حيدري

بهينه‌سازي سيستم‌ها

دكتر رسول نورالسنا