طبقه بندی ضایعه های پوستی از روی تصاویر درموسکپی با استفاده از ویژگی های رنگی و شکل

در این پژوهش الگوریتم جدیدی برای طبقه‌بندی تصاویر درموسکپی به دو نوع بدخیم و خوش‌خیم ارائه شده است. ابتدا یک مرحله پیش‌پردازش دو مرحله‌ای شامل فیلترگذاری جهت حذف نویز و فیلتر همومورفیک جهت ارتقاء کیفیت تصویر اعمال می‌شود. سپس با استفاده از روش آستانه‌گذاری otsu ضایعه از نواحی سالم جدا می‌شود. سپس ویژگی‌های شکل و رنگ از تصویر قطعه‌بندی شده، استخراج می‌شود. ویژگی های رنگ مبتنی بر ممان‌های آماری سطوح رنگی کوانتیزه شده و هیستوگرام رنگی کوانتیزه شده تعریف شده‌اند. این ویژگی‌ها توزیع مولفه‌های مختلف رنگی در ناحیه عارضه پوستی را نشان می‌دهد. علاوه براین ویژگی‌های شکل با دو رویکرد متفاوت سعی در استخراج اطلاعات نواحی عارضه دارند. رویکرد اول، ویژگی‌هایی که مربوط به نحوه توزیع و گستردگی ناحیه است را نمایندگی می‌کند و رویکرد دوم، ویژگی‌هایی که مربوط به تغییرات لبه‌های عارضه است را بیان می‌کند. مجموعه‌ این ویژگی‌ها، با استخراج اطلاعات همه جانبه از رنگ، شکل و ناحیه عارضه کمک به شناسایی نواحی خوش‌خیم از بدخیم می‌کند. در پایان نیز جهت انجام عمل شناسایی و طبقه‌بندی، چندین طبقه‌بند همچون knn، desision tree، svm و adaboost بکار گرفته می‌شود. الگوریتم پیشنهادی بر روی یک پایگاه داده استاندارد و همچنین یک پایگاه داده تهیه شده شامل 200 تصویر مورد ارزیابی و آزمایش قرار می‌گیرد. نتایج آزمایش‌ها نشان می‌دهد که طبقه‌بندی با طبقه‌بند adaboost دقت، صحت و حساسیت به ترتیب %96 و %96/7 و%95 را فراهم می کند.

Skin lesion classification from dermoscopy images using color and shape features

In this study, a new algorithm for dermoscopy image classification into two types of malignant and benign is presented. At first, one preprocessing step to remove noise and also enhance image quality is performed. After that using Otsu thresholding, the lesion is separated from the healthy area. Then color and shape features are extracted from the segmented image. The colored features based on statistical moments of quantized grayscale and quantized color histogram are defined. These features demonastrare distribution of color components. Moreover, the shape features are extracted information of the segmented regions with two scenarios. In the first scenario, the features are represented the expantion of region and in the second scenario, the features are represented the edge variations of the extracted regions. Finally, the classification procedure is performed using KNeasert Neighbor (KNN), Decision Tree, Support Vector Machine (SVM) and Adaboost. The proposed algorithm is evaluated on a standard database consisting of 200 images. The results show that classification using Adaboost classifier obtains the precision rate, accuracy rate and sensitivity rate of 96%, 96.7% and 95%, respectively.