بهبود دسته بندی و قطعه بندی تصاویر زخم های پوستی جهت تشخیص ملانوما

امروزه یادگیری ماشین و روش های یادگیری عمیق برای تحلیل تصاویر پزشکی، می تواند به پزشکان در تصمیم گیری های بهتر در جهت تشخیص سریعتر بیماری ها کمک زیادی کند، به ویژه در زمینه تصویربرداری پوست که این روش های جدید را می توان با موفقیت بالایی مورد استفاده قرار داد. این مقاله با توجه به طبقه بندی تصاویر درماتوسکوپی با استفاده از رویکرد مبتنی بر یادگیری عمیق و شبکه های عصبی به تشخیص آسیبهای پوستی به ویژه تشخیص بیماری پوستی ملانوما اشاره دارد.در این راستا ،ابتدا طبقه بندی باینری را انجام می دهد(خوشخیم و بدخیم)که در تشخیص زودهنگام بیماری ملاتوما کمک شایانی می کند.البته لازم به ذکر است که این مدل به اندازه کافی استاندارد است تا برای تشخیص ضایعات پوستی دیگر گسترش یابد. راه حل پیشنهادی بر مبنای معماری VGGدر پایگاه داده ISIC است و از الگوی یادگیری انتقال استفاده شده است در نهایت مقایسه ای بین عملکرد این معماری با معماری VGG دیگری انجام گرفته است که نشان دهنده عملکرد خوب این روش می باشد.لازم بذکر است که در این کار با کمک نرم افزار پایتون و کتابخانه Keras داده های گردآوری مورد تجریه و تحلیل قرارگرفته است.

کلیدواژه ها:

ملانوم ، یادگیری عمیق ، شبکه های عصبی ، قطعه بندی تصاویر ، معماریVGG ، زخم های پوستی ،