شناسایی هوشمند سرطان پوست آکتینیک کراتوزیس و کارسینومای سلول سنگفرشی با استفاده از ویژگی‌های خطی و غیر‌خطی بر پایه تکنیک‌های پردازش تصویر

مقدمه: اکثر سرطان‌های پوست در مراحل ابتدایی قابل درمان هستند، بنابراین یک تشخیص زودهنگام و سریع می‌تواند برای نجات جان بیماران بسیار حائز اهمیت باشد. امروزه با کمک هوش مصنوعی، تشخیص زودهنگام سرطان در مراحل ابتدایی ممکن شده است.روش: در این پژوهش توصیفیتحلیلی، یک سیستم کامپیوتری تشخیصی بر پایه تکنیک‌های پردازش تصویر ارائه شد که برای بیمار بسیار سودمندتر است. در این روش، تصاویر درموسکوپی ثبت شده از دو نوع سرطان آکتینیک کراتوزیس و سرطان کارسینومای سلول سنگفرشی توسط تکنیک‌های پیش‌پردازش بهبود داده شدند و نویزهای احتمالی موجود در آن‌ها حذف شد، سپس توسط روش آستانه‌گذاری بخش‌بندی شدند تا محدوده ضایعه از پوست زمینه جدا شود. در ادامه از این محدوده بخش‌بندی شده اطلاعات و ویژگی‌های بافتی، شکلی و رنگی استخراج شد. در انتها به کمک روش کاهش ویژگی و ماشین بردار پشتیبان (support vector machine)‌ svm به ارزیابی کیفی و کمی روش پیشنهادی پرداخته شد.نتایج: داده‌های این مطالعه شامل 100 نمونه تصویر آکتینیک کراتوزیس و 100 نمونه کارسینومای سلول سنگفرشی بود. نتایج مطالعه حاضر نشان داد استفاده از روش الگوریتم ژنتیک به کمک روش ماشین بردار پشتیبان توانست نوع سرطان پوست را با صحت 0/4 ±99/7% شناسایی کند.نتیجه‌گیری: تاثیر حضور ویژگی‌های بافتی متفاوت در امر تشخیص نوع ضایعه نشان داد هرچه میزان و تنوع ویژگی‌های استخراج شده از نمونه‌ها بیشتر باشد، آموزش سیستم بهتر و آنالیز دقیق‌تری صورت می‌گیرد.

Intelligent Diagnosis of Actinic Keratosis and Squamous Cell Carcinoma of the Skin, Using Linear and Nonlinear Features Based on Image Processing Techniques

Introduction: Most skin cancers are treatable in the early stages; thus, an early and rapid diagnosis can be very important to save patients rsquo; lives. Today, with artificial intelligence, early detection of cancer in the initial stages is possible.Method: In this descriptiveanalytical study, a computerized diagnostic system based on image processing techniques was presented, which is much more helpful for the patient. In this method, dermoscopic images of actinic keratosis and squamous cell carcinoma were improved by preprocessing techniques and the potential noises were removed. Then, segmentation was performed using the thresholding method to separate the lesion from the underlying skin. Thereafter, from the segmented area, texture, shape, and color information and features were extracted. Finally, the feature reduction method and support vector machine (SVM) were used to evaluate the proposed method qualitatively and quantitatively.Results: The data in this study included 100 samples of actinic keratosis images and 100 samples of squamous cell carcinoma. The results of the present study showed that using the genetic algorithm method together with the support vector machine method could help identify the type of skin cancer with 99.7 ± 0.4% accuracy.Conclusion: The effect of different tissue features in diagnosing the type of lesion showed an increase in the amount and variety of features extracted from the samples would lead to better training and more accurate analysis of the system.