پیش بینی سرطان پوست مدلی جهت طبقه بندی با الگوریتم شبکه عصبی کانولوشن بهبود یافته

تشخیص زودهنگام سرطان پوست یکی از مهم‌ترین عوامل بهبودی بیماران است. در سال‌های اخیر، پیشرفت‌های چشمگیری درزمینه‌ی هوش مصنوعی و به‌ویژه یادگیری عمیق، منجر به توسعه روش‌های نوینی برای تشخیص خودکار بیماری‌ها شده است. یکی ازاین‌روش‌ها، استفاده از شبکه‌های عصبی کانولوشن برای طبقه‌بندی تصاویر پزشکی است در واقع ایجاد یک روش یادگیری ماشین که بتواند ضایعات پوستی رنگ دانه‌دار، هم بدخیم و هم خوش‌خیم را طبقه‌بندی کند، گامی در جهت دستیابی به اهداف این پژوهش است. برای این منظور، به دنبال روش‌های جدید و موثرتر در تشخیص سرطان پوست بوده‌اند. یکی ازاین‌روش‌ها استفاده از تکنیک‌های هوش مصنوعی مانند شبکه‌های عصبی کانولوشنی است که به‌طور گسترده درزمینه‌ی تصویربرداری پزشکی و تشخیص بیماری‌ها مورداستفاده قرار می‌گیرد. استفاده از شبکه‌های عصبی کانولوشنی بهبود یافته در طبقه‌بندی سرطان پوست، نه‌تنها دقت تشخیص را افزایش می‌دهد، بلکه می‌تواند به‌عنوان یک ابزار کمکی موثر برای پزشکان و متخصصان پوست در فرایند تشخیص و درمان این بیماری عمل کند. در این پژوهش یک مدل پیش­بینی سرطان پوست روشی جهت طبقه‌بندی با الگوریتم شبکه عصبی کانولوشن بهبودیافته پیشنهاد می شود. در روش پیشنهادی، با استفاده از لایه‌های کانولوشن و لایه‌های کاملاً متصل، توانایی استخراج ویژگی‌های مهم از تصاویر پوستی را دارد و سپس با استفاده از لایه طبقه‌بندی softmax، تصاویر را به دودسته سرطانی و غیرسرطانی تقسیم می‌کند. نتایج شبیه سازی روش پیشنهادی دارای دقت (99%) بوده که این بدان معنی است که این روش به‌طور متوسط عملکرد مناسبی را را در تولید نتایج صحیح می تواند داشته باشد.

skin cancer prediction: a classification model with an improved convolutional neural network algorithm

early detection of skin cancer is one of the most important factors in the recovery of patients. in recent years, significant advances in the field of artificial intelligence, and especially deep learning, have led to the development of new methods for the automatic diagnosis of diseases. one of these methods is the use of convolutional neural networks for the classification of medical images. in fact, the creation of a machine learning method that can classify pigmented skin lesions, both malignant and benign, is a step towards achieving the goals of this research. to this end, new and more effective methods have been sought in the diagnosis of skin cancer. one of these methods is the use of artificial intelligence techniques such as convolutional neural networks, which are widely used in the field of medical imaging and disease diagnosis. the use of improved convolutional neural networks in skin cancer classification not only increases the accuracy of diagnosis, but also can act as an effective auxiliary tool for doctors and dermatologists in the process of diagnosing and treating this disease. in this study, a skin cancer prediction model is proposed for classification using the improved convolutional neural network algorithm. in the proposed method, using convolution layers and fully connected layers, it has the ability to extract important features from skin images and then using the softmax classification layer, it divides the images into two groups of cancerous and non-cancerous. the simulation results of the proposed method have an accuracy of (99%), which means that this method can have a good performance in producing correct results on average.