تشخیص و طبقه‌بندی سرطان پوست با استفاده از یادگیری عمیق

زمینه و هدف: سرطان پوست در طول دهه های گذشته رشد چشم گیری داشته است و اهمیت درمان اولیه آن روز به روز در حال افزایش است. هدف از این مطالعه، استفاده از شبکه های عصبی عمیق برای ایجاد یک سیستم خودکار تشخیص ملانوما بود که در آن داده ها به طور مستقیم به عنوان بخشی از فرآیند یادگیری عمیق کنترل می شود. روش تحقیق: در این پژوهش مطالعات بر روی تصاویر مربوط به سرطان پوست انجام شده است. برای تشخیص خوش خیم یا بدخیم بودن سرطان پوست از طبقه بندی کننده شبکه عصبی عمیق به کمک فریمورک تنسورفلو و بهره گیری از کتابخانه کراس استفاده شده است. مجموعه داده مورد استفاده در این پژوهش از 70 تصویر ملانوما و 100 تصویر مربوط به خال گوشتی خوش خیم تشکیل شده است. در مدل پیَشنهادی این پژوهش 80 درصد از تصاویر پایگاه داده برای آموزش و 20 درصد تصاویر پایگاه داده برای آزمون انتخاب می شود،.یافته ها: روش پیشنهادی، دقت تشخیص بالاتری دارد که نسبت به روش های موجود باعث افزایش بیش از 10درصد در دقت تشخیص در بسیاری از موارد گردیده است. دقت بالای تشخیص و طبقه بندی و سرعت بالای همگرایی به نتیجه نهایی، از ویژگی های این پژوهش نسبت به سایر تحقیقات است. نتیجه گیری: سیستم اتوماتیک تشخیص و طبقه بندی سرطان پوست بر مبنای یادگیری عمیق، با دقت و سرعت مطلوبی ارائه می شود.

Detection and Classification of Skin Cancer Using Deep Learning

Background and Aim: Skin cancer has grown dramatically over the past decades, and the importance of early treatment is increasing day by day. The purpose of this study is to use deep neural networks to create an autodiagnosis system for melanoma, in which data is directly controlled as part of a deep learning process.Materials and Methods: In this paper, studies on related pictures of skin cancer were performed. For the diagnosis of benign or malignant skin cancer, the deep neural network classifier is used with the help of the Tensorflow framework and the use of the Keras libraries. The dataset which are used in this study consist 70 images of melanoma and 100 images of benign moles. In the proposed model, 80% of the database images are used for training and 20% of the database images are selected for testing.Results: The proposed method offers a higher detection accuracy than other existing methods, which has increased the accuracy of diagnosis in most cases by more than 10%. The high accuracy of the diagnosis and classification and the speed of convergence to the final result are the characteristics of this Research Compared to other Research.Conclusion: An automatic system based on deep learning is presented to identify and categorize skin cancer which provides high accuracy and speed.