تولید داده های جدید ملانوما با استفاده از ترکیب شبکه متخاصم مولد و الگوی باینری محلی

پایگاه داده‌های درموسکوپیِ در دسترسِ سرطان پوست ملانوما دارای تصاویر کم و نامتوازن با روشنایی غیریکنواخت هستند که روش‌های شناسایی ملانوما را با چالش مواجه کرده‌اند. برای حل این مشکلات، در این مقاله، روش جدیدی را برای تولید داده‌های جدید شامل ملانوما پیشنهاد شده است. در واقع، روش جدیدِ پیشنهادی، شبکه متخاصم مولد را با الگوی باینری محلی ترکیب می‌کند. به عبارت دیگر، ابتدا تصاویر موجود در پایگاه داده برای آموزش وارد شبکه‌ی متخاصم مولد می‌شوند. سپس، تصاویر جدید فراوانی تولید می‌شود و در نهایت، روش الگوی باینری محلی به آن‌ها اعمال می‌شود. بنابراین، تعداد داده‌های جدید تولید شده زیاد و متعادل است و داده‌های تولید شده، تغییرات روشنایی ندارند. همچنین، این داده‌ها ویژگی‌های مفید و معناداری را نشان می‌دهند که تمایز بین ملانوما و خال را بیشتر می‌سازد. آزمایش‌های انجام شده نشان داده است که روش پیشنهاد تاثیر خوبی در افزایش دقت شناسایی ملانوما دارد. طبق نتایج روش پیشنهادی عملکرد شبکه عصبی کانولوشنی را %7 افزایش داده است.

generating new melanoma data using a combination of generative adversarial network and local binary pattern

the available melanoma skin cancer dermoscopy databases have low and unbalanced images with non-uniform illumination that make melanoma detection methods challenging. to address these problems, in this paper, we propose a new method to generate new data including melanoma. in fact, our new proposed method combines generative adversarial network and local binary pattern. on the other hand, first, the images existing in the dataset are fed to the generative adversarial network. then, many new images are generated and finally, the local binary pattern is applied to them. therefore, the number of the new generated data is large and balanced and the generated data does not have illumination changes. also, these data show useful and meaningful features that increase the difference between melanoma and nevi. the experiments have shown that the proposed method has a good effect on increasing the accuracy of melanoma diagnosis. according to the results, the proposed method has increased the convolutional neural network’s efficiency by 7%.