روش جدید طبقه بندی ضایعات پوستی مبتنی بر شبکه عصبی ResNet۵۰ و اینترنت اشیا

سرطان پوست ملانوم یکی از بیماری های شایع در جهان است. تشخیص ملانوم در مراحل اولیه ضروری است. بازرسی بصری هنگام معاینه پزشکی ضایعات پوستی کار ساده ای نیست ، زیرا بین ضایعات شباهتی وجود دارد. همچنین ، تجربه و تمایل پزشکی می تواند منجر به تشخیص نادرست شود. فناوری هایی مانند اینترنت اشیا به ایجاد سیستم های بهداشتی موثر کمک کرده اند. پزشکان می توانند از آنها در هر کجا استفاده کنند ، با این تضمین که می توان افراد بیشتری را تشخیص داد ، بدون این که به عوامل ذهنی توجهی شود. آموزش انتقال و یادگیری عمیق به طور فزاینده ای در تشخیص بالینی بیماری های مختلف قابل توجه است. در این پژوهش مقاله " یک رویکرد جدید برای طبقه بندی ضایعات پوستی بر اساس یادگیری انتقال،یادگیری عمیق و سیستم اینترنت اشیا" به عنوان مقاله مبنا برای پیاده سازی درنظرگرفته شد. در مقاله مبنا ترکیب روش شبکه عصبی با طبقه بندی کننده های مختلف مورد بررسی قرار گرفته بود. برای پیاده سازی اینترنت اشیا نیز از سایت آماده ی LINDA استفاده کرده بود. در اینجا ما ابتدا روش های VGG۱۶, Inception-ResNet V۲, ResNet۵۰, DensNet۲۰۱ را بدون هیچ طبقه بندی روی دیتابیس HAM۱۰۰۰ پیاده کردیم. درحالیکه مقاله دیتابیس ISIC را استفاده کرده بود که تعویض دیتابیس به نوبه خود نوآوری محسوب می شود. علاوه برآن تعداد تصاویر مقاله ۶۰۰۰ تصویر بود که ما آن را به ۸۰۰۰ تصویر افزایش دادیم. پیش پردازش Inception ResNet V۲ و چرخش نیز روی داده انجام شد. مشخص شد که تمام این روش ها حتی بدون استفاده از طبقه بندی کننده در لایه دوم از روش های ترکیبی پیاده شده درمقاله با RF, SVM Poly/Linear, Bayes بهتر است. مشخصا روش ResNet۵۰ با دقت خوب ۹۰.۴۵ درصد از تمام روش های ResNet۵۰ ترکیبی پیاده شده توسط مقاله بهتر است. بنابراین بدین نتیجه رسیدیم که استفاده از شبکه عصبی به تنهایی میتواند به دقت بسیار خوبی برسد. برای سیستم اینترنت اشیا نیز باتوجه به عدم دسترسی به سیستم LINA، کدها را با موفقیت در بستر اینترنت اجرا کردیم. لذا این سیستم میتواند برای پزشکان مورد استفاده قرار گیرد.

کلیدواژه ها:

یادگیری ماشین ، ضایعات پوستی ، طبقه بندی ، اینترنت اشیا