تولید داده های جدید ملانوما با استفاده از ترکیب شبکه متخاصم مولد و الگوی باینری محلی

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 51

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JME-23-80_010

تاریخ نمایه سازی: 26 فروردین 1405

چکیده مقاله:

پایگاه داده های درموسکوپی در دسترس سرطان پوست ملانوما دارای تصاویر کم و نامتوازن با روشنایی غیریکنواخت هستند که روش های شناسایی ملانوما را با چالش مواجه کرده اند. برای حل این مشکلات، در این مقاله، روش جدیدی را برای تولید داده های جدید شامل ملانوما پیشنهاد شده است. در واقع، روش جدید پیشنهادی، شبکه متخاصم مولد را با الگوی باینری محلی ترکیب می کند. به عبارت دیگر، ابتدا تصاویر موجود در پایگاه داده برای آموزش وارد شبکه ی متخاصم مولد می شوند. سپس، تصاویر جدید فراوانی تولید می شود و در نهایت، روش الگوی باینری محلی به آن ها اعمال می شود. بنابراین، تعداد داده های جدید تولید شده زیاد و متعادل است و داده های تولید شده، تغییرات روشنایی ندارند. همچنین، این داده ها ویژگی های مفید و معناداری را نشان می دهند که تمایز بین ملانوما و خال را بیشتر می سازد. آزمایش های انجام شده نشان داده است که روش پیشنهاد تاثیر خوبی در افزایش دقت شناسایی ملانوما دارد. طبق نتایج روش پیشنهادی عملکرد شبکه عصبی کانولوشنی را %۷ افزایش داده است.

کلیدواژه ها:

نویسندگان

ویدا اسماعیلی

دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

محمود محصل فقهی

دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • W .Salma, and A.S. Eltrass. "Automated deep learning approach for ...
  • G. Alwakid, W. Gouda, M. Humayun, and N. Us Sama. ...
  • A. Budhiman, S. Suyanto, and A. Arifianto. "Melanoma cancer classification ...
  • M.A. Kassem, K.M. Hosny, R. Damaševičius, and M. Meselhy Eltoukhy. ...
  • A. Esteva, B. Kuprel, R.A. Novoa, J. Ko, S.M. Swetter, ...
  • S. Kundu, A. Panja, and S. Karforma. "Detection of Melanoma ...
  • S. Fooladi, H. Farsi, and S. Mohamadzadeh. "Detection and classification ...
  • J.N. Nwafor, B.E. Torere, E. Agu, L. Kadiku, T. Ogunyemi, ...
  • H. Mhaske, M. Patil, J. Thote, A. Shendage, and R. ...
  • Z. Turani, E. Fatemizadeh, T. Blumetti, S. Daveluy, A. Flavia ...
  • A.L. Kotian, K.J. Madhura, and P.T. Rahul. "Machine Learning-Based Melanoma ...
  • I. Obuchowska, and J. Konopińska. "Importance of optical coherence tomography ...
  • D. Jeba Derwin, O. Jeba Singh, B. Priestly Shan, K. ...
  • S. Kumar, G. Jaiswal, and K. Sinha. Skin Cancer Lesion ...
  • R. Kaur, H. GholamHosseini, R. Sinha, and M. Lindén. "Melanoma ...
  • T. Mendonça, P.M. Ferreira, J.S. Marques, A.R. Marcal, and J. ...
  • D. Gutman, N.C. Codella, E. Celebi, B. Helba, M. Marchetti, ...
  • N.C. Codella, D. Gutman, M. Emre Celebi, B. Helba, M.A. ...
  • NCF. Codella et al." ISIC ۲۰۱۸: Skin Lesion Analysis towards ...
  • P. Tschandl, C. Rosendahl, and H. Kittler. "The HAM۱۰۰۰۰ dataset, ...
  • I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, ...
  • T. Ojala, K. Valkealahti, E. Oja, and M. Pietikäinen. "Texture ...
  • M. Pietikäinen, A. Hadid, G. Zhao, and T. Ahonen. Computer ...
  • C. Nicholson. "Evaluation metrics for machine learning—accuracy, precision, recall, and ...
  • Q. Su, H. Nuzly Abdull Hamed, M. Adham Isa, X. ...
  • M.A. Rasel, U.H. Obaidellah, and S. Abdul Kareem. "convolutional neural ...
  • F.W. Alsaade, T.H.H. Aldhyani, and M.H. Al-Adhaileh. "Developing a recognition ...
  • X. Li, J. Wu, E.Z. Chen, and H. Jiang. "From ...
  • نمایش کامل مراجع