Malignt melanom er i dag en av de ledende kreft blant mange hvite-skinned populasjoner rundt om i verden. Endring av rekreasjons oppførsel sammen med økningen i ultrafiolett bestråling føre til en dramatisk økning i antall melanomer diagnostisert. Høyningen i forekomsten ble først lagt merke til i USA i 1930, hvor en person ut av 100 000 per år led av hudkreft. Den registrerte ledigheten opp i midten av åttitallet til seks per 100 000 og til 13 per 100 000 i 1991. Tallene er også sammenlignes med insidensen observert i Europa. I 1995, i Østerrike forekomsten av melanom var omtrent 12 per 100 000, noe som reflekterte en økning på 51,8% i de siste ti årene, og forekomsten av føflekkreft viser en fortsatt stigende tendens. Men på den annen side undersøkelser har vist at curability av hudkreft er nesten 100%, hvis det er anerkjent tidlig nok og behandles kirurgisk. Mens dødeligheten forårsaket av melanomer i begynnelsen av sekstitallet var ca 70%, er bloggen overlevelsesrate på 70% oppnådd, som er i hovedsak et resultat av tidlig anerkjennelse. På grunn av høyere forekomst av malignt melanom, er forskerne opptatt av mer og mer med den automatiserte diagnose av hudlesjoner. Mange publikasjoner rapportere om isolerte innsats i retning av automatiserte melanom gjenkjennelse av bildebehandling. Komplett integrerte dermatologiske bildeanalyse systemer er neppe funnet i klinisk bruk, eller er ikke testet på et betydelig antall virkelige prøver.
Vi har utviklet en rask og pålitelig system som er i stand til å detektere og klassifisere hudlesjoner med høy nøyaktighet. Vi bruker fargebilder av hudlesjoner, bildebehandling teknikker og AdaBoost klassifikator å skille melanom fra godartede pigmenterte lesjoner. Som det første trinn av datasettet analyse, er en forbehandling sekvens gjennomføres for å fjerne støy og uønskede strukturer fra fargebildet. Sekund, lokaliserer en automatisert segmentering tilnærming mistenke lesjon regioner etter region vokser etter en foreløpig skritt basert på adaptive farge segmentering. Så, vi er avhengige av kvantitativ bildeanalyse for å måle en rekke kandidat attributter håpet å inneholde nok informasjon til å skille melanomer fra godartede lesjoner. . Til sist, vil de valgte funksjonene leveres til AdaBoost algoritme for å bygge en sterk klassifiserer
Krav :
Matlab
Kommentarer ikke funnet