این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۵، شماره ۱، صفحات ۱-۱۲
عنوان فارسی تشخیص بدون نظارت سرطان پوست با ادغام ویژگی‌های بافت و لبه در تصاویر پوستی
چکیده فارسی مقاله در این مقاله روشی جدید برای استخراج ویژگی از تصاویر به منظور بالا بردن دقت تشخیص سرطان پوستی ملانوم ارائه شده است. این روش به صورت بدون نظارت اجرا می‌شود. برای این کار، ابتدا در یک فرآیند ناحیه‌‌بندی تصویر، ضایعه از پوست طبیعی اطرافش جدا می‌گردد. در مرحله بعد، یک‌سری ویژگی‌های بافتی و شکلی از تصویر ضایعه استخراج می‌شود: ماتریس هم رخداد، ماتریس طول اجزاء، ویژگی‌های جهتی فرکانسی، و پارامترهای تبدیل Ripplet، به عنوان ویژگی‌های بافتی؛ و ممان‌های زرنیک و ویژگی‌های طول شعاعی نرمالیزه شده برای بیان ویژگی‌های شکلی، مورد استفاده قرار گرفته‌اند. به طور کلی، تعداد 63 ویژگی‌ بافتی و 31 ویژگی شکلی برای تصاویر استخراج شده است. ابعاد این ویژگی‌ها با استفاده از تبدیل PCA و یک روش پیشنهادی کاهش می‌یابند. جهت طبقه‌بندی ویژگی‌های استخراج شده، طبقه‌بندهای شبکه عصبی پرسپترون، ماشین بردار پشتیبان، چهارمین نزدیک‌ترین همسایه، و بیز بکار رفته است. الگوریتم پیشنهادی روی پایگاه داده‌ای از تصاویر برچسب خورده پوست پیاده‌سازی شده است. نتایج طبقه‌بندی‌ها با استفاده از ویژگی‌های به دست آمده، نشان می‌دهد که روش پیشنهادی هم از جنبه دقت و هم صحت، بر روش‌های پیشین برتری دارد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Unsupervised Skin cancer detection by combination of texture and shape features in dermoscopy images
چکیده انگلیسی مقاله In this paper a novel unsupervised feature extraction method for detection of melanoma in skin images is presented. First of all, normal skin surrounding the lesion is removed in a segmentation process. In the next step, some shape and texture features are extracted from the output image of the first step: GLCM, GLRLM, the proposed directional-frequency features, and some parameters of Ripplet transform are used as texture features Also, NRL features and Zernike moments are used as shape features. Totally, 63 texture features and 31 shape features are extracted. Finally, the number of extracted features is reduced using PCA method and a proposed method based on Fisher criteria. Extracted features are classified using the Perceptron Neural Networks, Support Vector Machine, 4-NN, and Naïve Bayes. The results show that SVM has the best performance. The proposed algorithm is applied on a database that consists of 160 labeled images. The overall results confirm the superiority of the proposed method in both accuracy and reliability over previous works.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حسن قاسمیان |
دانشگاه تربیت مدرس
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

حامد آقاپناه رودسری | aghapanah rudsari
دانشگاه تربیت مدرس
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

نشانی اینترنتی http://isee.ui.ac.ir/article_15382_95df992befc5a4592327b844f3d08aff.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1306/article-1306-343775.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات