کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6861269 1439243 2018 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Dermoscopic assisted diagnosis in melanoma: Reviewing results, optimizing methodologies and quantifying empirical guidelines
ترجمه فارسی عنوان
تشخیص تشخیصی درماتوسکوپی در ملانوم: بررسی نتایج، روشهای بهینه سازی و کم کردن رهنمودهای تجربی
کلمات کلیدی
فراگیری ماشین، داده کاوی، تشخیص کامپیوتری، درماتوسکوپی، تجزیه و تحلیل تصویر،
ترجمه چکیده
تشخیص زودهنگام هنوز مهم ترین عامل برای مقابله با سرطان پوست است، که بیماری را به چالش می کشد پزشکان و محققان. این روش از روشهای تشخیصی کامپیوتری بهره برده است که با موفقیت با ترکیب پوست، پردازش تصویر دیجیتال و تکنیک های یادگیری ماشین ها به دست آمده است. هدف از این مقاله، تقریبا متخصصین پزشکی با استفاده از درماتوسکوپی به این روش ها نزدیک می شوند تا به تشخیص زود هنگام ملانوم بپیوندند. بر این اساس، پیشنهاد برای استخراج، انتخاب و ترکیب بافت و شکل از تصاویر درماتوسکوپی ارائه شده است. وظیفه انتخاب ویژگی به فرآیند یادگیری برای افزایش کیفیت مدل های طبقه بندی افزوده می شود. سه الگوریتم آموزش کلاسیک ماشین برای تشخیص ملانوما از تصاویر غیر ملانوم استفاده شد. مدلها با استفاده از معیارهای عملکرد استاندارد و روش تجزیه و تحلیل تصمیم گیری چند معیاری ارزیابی می شوند. این اولین بار است که این روش در تشخیص ملانوم استفاده می شود. در نتیجه، یک درخت تصمیم گیری را پیدا کردیم که به خوبی عمل می کند و اجازه می دهد تا نمایش داده و تجزیه و تحلیل صریح دانش از تصاویر گرفته شود. علاوه بر این، رقابت مدل های تصمیم گیری ما در مقایسه با رویکردهای ادبی که در این مقاله مورد بررسی قرار گرفته است، برنامه های کاربردی بیشتری را برای یادگیری ماشین ها و انتخاب ویژگی ها برای کمک به تشخیص کامپیوتری تشریح می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
تشخیص تشخیصی درماتوسکوپی در ملانوم: بررسی نتایج، روشهای بهینه سازی و کم کردن رهنمودهای تجربی
چکیده انگلیسی
Early diagnosis is still the most important factor to deal with skin cancer, a disease that challenges physicians and researchers. It has benefited from computer-aided diagnosis methods that successfully combine dermoscopy, Digital Image Processing, and Machine Learning techniques. This paper aims to approximate medical professionals working with dermoscopy to these methods, to join the challenge of melanoma early detection. Accordingly, a proposal for extracting, selecting and combining texture and shape features from dermoscopic images is presented. The Feature Selection task is added to the learning process to potentiate the quality of classification models. Three classical Machine Learning algorithms were applied to differentiate melanoma from non-melanoma images. The models are evaluated by standard performance measures and a multi-criteria decision analysis method. This is the first time such method is used in melanoma diagnosis. As a result, we found a decision tree that performs well and allows the explicit representation and analysis of the knowledge learned from the images. In addition, the competitiveness of our decision models in comparison with literature approaches reviewed in this work encourages further applications of Machine Learning and Feature Selection to assist computer-aided diagnosis.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 158, 15 October 2018, Pages 9-24
نویسندگان
, , , , , , ,