Melanoma-herkenningssysteem Get Matlab-broncode om huidlaesies te detecteren en te classificeren.
Download nu

Melanoma-herkenningssysteem Rangschikking & Samenvatting

Melanoma-herkenningssysteem Tags

Melanoma-herkenningssysteem Beschrijving

Maligne melanoom is tegenwoordig een van de toonaangevende kankers onder de vele populaties met witte huid over de hele wereld. Verandering van recreatief gedrag samen met de toename van de ultraviolette straling veroorzaakt een dramatische toename van het aantal gediagnosticeerde melanoma's. De verhoging in de incidentie werd voor het eerst opgemerkt in de Verenigde Staten in 1930, waar een persoon van 100000 per jaar last had van huidkanker. Dit tarief steeg in het midden van de jaren tachtig tot zes per 100000 en tot 13 per 100.000 in 1991. De cijfers zijn ook vergelijkbaar met de in Europa waargenomen incidentie. In 1995 was de incidentie van melanoom in Oostenrijk ongeveer 12 per 100000, die in de afgelopen tien jaar een stijging van 51,8% weerspiegelde, en de incidentie van melanoom toont een nog steeds toenemende tendens. Maar aan de andere kant hebben onderzoeken aangetoond dat de voorlichting van huidkanker bijna 100% is, als het vroeg genoeg wordt erkend en chirurgisch wordt behandeld. Overwegende dat het sterftecijfer veroorzaakt door melanoma's in het begin van de jaren zestig ongeveer 70% was, wordt Nowa-overlevingspercentage van 70% bereikt, wat voornamelijk het gevolg is van vroege erkenning. Vanwege de hogere incidentie van kwaadaardige melanoom zijn onderzoekers zich steeds meer bezig met de geautomatiseerde diagnose van huidlaesies. Veel publicaties rapporteren over geïsoleerde inspanningen in de richting van geautomatiseerde melanoomherkenning door beeldverwerking. Volledige geïntegreerde dermatologische beeldanalysesystemen worden nauwelijks in klinisch gebruik gevonden of worden niet getest op een aanzienlijk aantal real-life-monsters. We hebben een snel en betrouwbaar systeem ontwikkeld dat in staat is om huidlaesies met hoge nauwkeurigheid te detecteren en te classificeren. We gebruiken kleurenafbeeldingen van huidlaesies, beeldverwerkingstechnieken en Adaboost-classificator om melanoom te onderscheiden van goedaardige gepigmenteerde laesies. Als eerste stap van de analyse van de gegevensset wordt een voorbewerkingssequentie geïmplementeerd om ruis en ongewenste structuren uit het kleurenbeeld te verwijderen. Ten tweede lokaliseert een geautomatiseerde segmentatieaanpak verdachte laïeksregio's per regio die na een voorlopige stap groeit op basis van adaptieve kleursegmentering. Vervolgens vertrouwen we op kwantitatieve beeldanalyse om een reeks kandidaat-attributen te meten hoopt voldoende informatie te bevatten om melanomen te onderscheiden van goedaardige laesies. Eindelijk worden de geselecteerde functies geleverd aan het Adaboost-algoritme om een sterke classifier te bouwen.

Melanoma-herkenningssysteem Gerelateerde software