تشخیص بدون نظارت سرطان پوست با ادغام ویژگی‌های 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 می‌شود. برای این کار، ابتدا در یک فرآیند ناحیه‌‌بندی تصویر، ضایعه از پوست طبیعی اطرافش جدا می‌گردد. در مرحله بعد، یک‌سری ویژگی‌های بافتی و شکلی از تصویر ضایعه استخراج می‌شود: ماتریس هم رخداد، ماتریس طول اجزاء، ویژگی‌های جهتی فرکانسی، و پارامترهای تبدیل Ripplet، به عنوان ویژگی‌های بافتی؛ و ممان‌های زرنیک و ویژگی‌های طول شعاعی نرمالیزه شده برای بیان ویژگی‌های شکلی، مورد استفاده قرار گرفته‌اند. به طور کلی، تعداد 63 ویژگی‌ بافتی و 31 ویژگی شکلی برای تصاویر استخراج شده است. ابعاد این ویژگی‌ها با استفاده از تبدیل PCA و یک روش پیشنهادی کاهش می‌یابند. جهت طبقه‌بندی ویژگی‌های استخراج شده، طبقه‌بندهای شبکه عصبی پرسپترون، ماشین بردار پشتیبان، چهارمین نزدیک‌ترین همسایه، و بیز بکار رفته است. الگوریتم پیشنهادی روی پایگاه داده‌ای از تصاویر برچسب خورده پوست پیاده‌سازی شده است. نتایج طبقه‌بندی‌ها با استفاده از ویژگی‌های به دست آمده، نشان می‌دهد که روش پیشنهادی هم از جنبه دقت و هم صحت، بر روش‌های پیشین برتری دارد.