انتخاب ویژگی های عمیق بهینه برای طبقه بندی تصاویر ضایعات پوستی با استفاده از الگوریتم بهینه سازی گرگ خاکستری

سرطان پوست یکی از شایع ترین و کشنده ترین انواع سرطان در جهان است و در نتیجه روش های کامپیوتری برای طبقه بندی ضایعات پوستی بر اساس تصاویر درموسکوپی بسیار مورد توجه هستند. یک رویکرد امیدوارکننده برای این کار استفاده از یادگیری انتقالی برای تطبیق شبکه‌های عصبی پیچشی از پیش آموزش‌دیده شده برای تشخیص ضایعات پوستی و استفاده از ویژگی های مستخرج از این شبکه ها می باشد که می تواند یا به صورت یک بردار تکی یا ادغام شده از چند مدل از پیش آموزش‌دیده شده استفاده شود.ویژگی های مستخرج از طبقه بندهای cnn ممکن است حاوی ویژگی های زائد و تکراری باشد که می تواند منجر به افزایش نرح خطای طبقه بندی و همینطور افزایش زمان محاسباتی طبقه بند شود. با این وجود تاکنون مطالعه جامعی بر روی روشهای انتخاب ویژگی های عمیق به منظور بهبود کارایی تشخیص ضایعات پوستی انجام نشده است. به منظور انتخاب ویژگی های بهینه و حذف ویژگی های تکراری و زائد ما تاثیر بکارگیری مجموعه متنوعی از روش های انتخاب ویژگی فیلتر، پوشاننده ، تعبیه شده و روش کاهش ابعاد را برای دست یابی به بهینه ترین ویژگی های عمیق 11 شبکه از پیش آموزش دیده شده بر روی تصاویر دو مجموعه داده ای شناخته شده isic 2017, isic 2018 بررسی کردیم . نتایج ما نشان داد که طبقه بند knn آموزش داده شده با ویژگی های انتخاب شده توسط روش های پوشاننده نسبت به دیگر روش های انتخاب ویژگی بالاترین کارایی را دارد به طوریکه ، طبقه بندی با ویژگی های بدست آمده از روش پوشاننده به کمک الگوریتم بهینه سازی گرگ خاکستری، بهترین کارایی را با امتیاز f1 8291/0 و صحت 8333/0 برای مجموعه داده ای isic 2017 و امتیاز f1 9324/0 و صحت 9350/0 برای مجموعه داده ای isic 2018 بدست آورد.