تشخیص و طبقه بندی سرطان پوست با استفاده از شبکه عصبی کانولوشنی عمیق و مدل های یادگیری انتقالی

سرطان پوست یکی ازخطرناک ترین و شایع ترین انواع سرطان در جهان است که ناشی از آسیب به DNA سلول ها بوده و تشخیص زودهنگام آن نقش حیاتی در افزایش شانس درمان و بقای بیمار دارد. با وجود پژوهش های متعدد در حوزه تحلیل کامپیوتری تصاویر ضایعات پوستی، عوامل گوناگونی مانند بازتاب نور، تغییرات شدت روشنایی و رنگ، تفاوت های شکلی و ابعادی ضایعات و نیز شباهت های بصری میان برخی ضایعات خوش خیم و بدخیم، فرآیند تشخیص را با چالش های جدی مواجه ساخته اند. در این پژوهش مدلی مبتنی بر شبکه عصبی کانولوشنی عمیق (DCNN) و یادگیری انتقالی برای تمایز دقیق ضایعات پوستی خوش خیم و بدخیم پیشنهاد شده است. در مرحله پیش پردازش، ابتدا نویز و مصنوعات با استفاده از فیلترهای مناسب و روش آستانه گذاری حذف شده، تصاویر نرمال سازی شده و ویژگی های کلیدی استخراج گردیده اند. همچنین به منظور افزایش حجم داده، جلوگیری از پدیده بیش برازش و بهبود دقت طبقه بندی از تکنیک های افزایش داده شامل چرخش، آینه سازی و تغییر رنگ استفاده شده است. ارزیابی مدل پیشنهادی بر روی مجموعه داده معتبر HAM۱۰۰۰۰ و مقایسه آن با مدل های یادگیری انتقالی مطرح نظیر AlexNet، ResNet، VGG-۱۶، DenseNet، MobileNet نشان می دهد که مدل DCNN پیشنهادی با کسب دقت آموزش ۹۶.۵۷٪ و دقت آزمون ۹۳.۶۶٪، عملکرد برتری را نسبت به سایر رویکردها ارائه می دهد. این نتایج حاکی از پتانسیل بالای مدل پیشنهادی در کمک به تشخیص زودهنگام سرطان پوست و کاهش خطاهای پزشکی است.

کلیدواژه ها:

سرطان پوست ، شبکه عصبی کانولوشنی عمیق ، یادگیری انتقالی ، طبقه بندی ، ملانوما ، مجموعه داده HAM۱۰۰۰۰