تشخیص بدون نظارت سرطان پوست با ادغام ویژگی های بافت و لبه در تصاویر پوستی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 تشخیص بدون نظارت سرطان پوست با ادغام ویژگی های بافت و لبه در تصاویر پوستی دارای ۱۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد تشخیص بدون نظارت سرطان پوست با ادغام ویژگی های بافت و لبه در تصاویر پوستی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی تشخیص بدون نظارت سرطان پوست با ادغام ویژگی های بافت و لبه در تصاویر پوستی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن تشخیص بدون نظارت سرطان پوست با ادغام ویژگی های بافت و لبه در تصاویر پوستی :

نام کنفرانس، همایش یا نشریه : هوش محاسباتی در مهندسی برق (سیستم های هوشمند در مهندسی برق)

تعداد صفحات :۱۴

در این مقاله روشی جدید برای استخراج ویژگی از تصاویر به منظور بالا بردن دقت تشخیص سرطان پوستی ملانوم ارائه می شود. این روش به صورت بدون نظارت اجرا می شود. برای این کار، ابتدا در یک فرآیند ناحیه بندی تصویر، ضایعه از پوست طبیعی اطرافش جدا می گردد. در مرحله بعد، یک سری ویژگی های بافتی و شکلی از تصویر ضایعه استخراج می شود: ماتریس هم رخداد، ماتریس طول اجزاء، ویژگی های جهتی فرکانسی، و پارامترهای تبدیل Ripplet، به عنوان ویژگی های بافتی؛ و ممان های زرنیک و ویژگی های طول شعاعی نرمالیزه شده برای بیان ویژگی های شکلی، مورد استفاده قرار گرفته اند. به طور کلی، تعداد ۶۳ ویژگی بافتی و ۳۱ ویژگی شکلی برای تصاویر استخراج شده است. ابعاد این ویژگی ها با استفاده از تبدیل PCA و یک روش پیشنهادی کاهش می یابند. برای طبقه بندی ویژگی های استخراج شده، طبقه بندهای شبکه عصبی پرسپترون، ماشین بردار پشتیبان، چهارمین نزدیک ترین همسایه، و بیز بکار رفته و طبقه بندی با استفاده ماشین بردار پشتیبان دارای دقت ۸۹.۱ درصد و صحت ۹۲.۰۷ است. الگوریتم پیشنهادی روی پایگاه داده ای از تصاویر برچسب خورده پوست پیاده سازی شده شد. نتایج طبقه بندی ها با استفاده از ویژگی های به دست آمده، نشان می دهد که روش پیشنهادی در طبقه بندی تصاویر، هم از جنبه دقت و هم صحت، بر روش های پیشین برتری دارد و دقت تا ۹۱ درصد و صحت تا ۹۴.۷۳ درصد افزایش یافت.

کلید واژه: استخراج ویژگی، تبدیل Ripplet، سرطان پوست، ویژگی بافتی، ویژگی شکلی