تشخیص سرطان پوست بر اساس معماری Resnet-۱۸ با استفاده از گوشی هوشمند

سرطان پوست یکی از خطرناک ترین انواع سرطان در جهان محسوب می شود و تعداد مرگ و میرها در اثر این بیماری روزانه در حال افزایش است. تشخیص بصری راه اولیه برای شناسایی احتمال سرطان پوست است. در این سرطان، اگر ضایعه مشکوک پوستی پیدا شود، پزشک از ضایعه قابل مشاهده روی پوست بیوپسی می گیرد و آن را به صورت میکروسکوپی برای تشخیص خوش خیم یا بدخیم و نوع سرطان پوست بررسی می کند. بر خلاف این روش در روش موسکوپی، پزشکان برای تشخیص سرطان پوست از شکل لکه های پوستی استفاده می کنند. این روش گرفتن عکس های روشن از شکل ضایعه پوستی است که به شکل لکه های تیره است. شباهت شکل لکه ها در بین بیماری های سرطانی و غیر سرطانی نیز یکی از چالش های این روشها است. مسئله اصلی برای تشخیص سرطان پوست با استفاده از تصاویر پزشکی، طبقه بندی تصاویر بذخیم و خوش خیم است و هدف اصلی آن است که خطای طبقه بندی کمینه شود. برای حل این مسئله رویکردهای مختلفی تاکنون ارایه شده که بیشتر آن بر پایه یادگیری عمیق است. یکی از روش های کاربردی برای تشخیص سرطان پوست استفاده از روشهای پردازش تصویر در کنار روش های یادگیری عمیق است. با وجود آنکه روش های یادگیری عمیق در تشخیص سرطان پوست موفق می باشند اما این روش ها برای آنکه با خطای اندک بتوانند تصاویر بدخیم را تشخیص دهند نیاز به آموزش زیاد دارند و این آموزش نیز نیاز به سخت افزار گران قیمت دارد. در بیشتر موارد یادگیری عمیق دارای زمان زیادی برای تشخیص بیماری است و از این جهت از مدلهای یادگیری انتقالی استفاده می شود. در این مقاله به دلیل کمبود متخصص در نقاط مختلف تلاش شده یک روش پیشنهادی تشخیص بیماری سرطان پوست به کمک گوشی هوشمند و یادگیری عمیق مبتنی بر یادگیری انتقالی و با معماری Resnet-۱۸ ارایه شود. برای ارزیابی روش پیشنهادی از مجموعه داده ۲۰_UFES_PAD استفاده می-شود و محیط پیاده سازی نیز پایتون است. ارزیابی ها نشان می دهد دقت روش پیشنهادی در تشخیص سرطان پوست نسبت به معماری Alexnet و Resnet-۱۵۲ و همچنین مدلهای یادگیری انتقالی بیشتر است. مزیت دیگر روش پیشنهادی آن است که این معماری بدون نیاز به آموزش می تواند در گوشی های همراه و هوشمند اجرایی شود.

کلیدواژه ها:

سرطان پوست ، افزایش داده ، یادگیری انتقالی ، معماری Resnet-۱۸ ، پردازش تصویر