期刊名称：Intelligent Systems in Electrical Engineering
印刷版ISSN：2251-6530
电子版ISSN：2252-083X
出版年度：2014
卷号：5
期号：1
页码：1-12
语种：Persian
摘要：در اين مقاله روشی جديد برای استخراج ويژگی از تصاوير به منظور بالا بردن دقت تشخيص سرطان پوستی ملانوم ارائه شده است. اين روش به صورت بدون نظارت اجرا می‌شود. برای اين کار، ابتدا در يک فرآيند ناحيه‌‌بندی تصوير، ضايعه از پوست طبيعی اطرافش جدا می‌گردد. در مرحله بعد، يک‌سری ويژگی‌های بافتی و شکلی از تصوير ضايعه استخراج می‌شود: ماتريس هم رخداد، ماتريس طول اجزاء، ويژگی‌های جهتی فرکانسی، و پارامترهای تبديل Ripplet، به عنوان ويژگی‌های بافتي؛ و ممان‌های زرنيک و ويژگی‌های طول شعاعی نرماليزه شده برای بيان ويژگی‌های شکلی، مورد استفاده قرار گرفته‌اند. به طور کلی، تعداد 63 ويژگی بافتی و 31 ويژگی شکلی برای تصاوير استخراج شده است. ابعاد اين ويژگی‌ها با استفاده از تبديل PCA و يک روش پيشنهادی کاهش می‌يابند. جهت طبقه‌بندی ويژگی‌های استخراج شده، طبقه‌بندهای شبکه عصبی پرسپترون، ماشين بردار پشتيبان، چهارمين نزديک‌ترين همسايه، و بيز بکار رفته است. الگوريتم پيشنهادی روی پايگاه داده‌ای از تصاوير برچسب خورده پوست پياده‌سازی شده است. نتايج طبقه‌بندی‌ها با استفاده از ويژگی‌های به دست آمده، نشان می‌دهد که روش پيشنهادی هم از جنبه دقت و هم صحت، بر روش‌های پيشين برتری دارد.
其他摘要：In this paper a novel unsupervised feature extraction method for detection of melanoma in skin images is presented. First of all, normal skin surrounding the lesion is removed in a segmentation process. In the next step, some shape and texture features are extracted from the output image of the first step: GLCM, GLRLM, the proposed directional-frequency features, and some parameters of Ripplet transform are used as texture features; Also, NRL features and Zernike moments are used as shape features. Totally, 63 texture features and 31 shape features are extracted. Finally, the number of extracted features is reduced using PCA method and a proposed method based on Fisher criteria. Extracted features are classified using the Perceptron Neural Networks, Support Vector Machine, 4-NN, and Naïve Bayes. The results show that SVM has the best performance. The proposed algorithm is applied on a database that consists of 160 labeled images. The overall results confirm the superiority of the proposed method in both accuracy and reliability over previous works.
