Il melanoma maligno è oggi uno dei tumori più importanti tra le molte popolazioni dalla pelle bianca in tutto il mondo. Modifica del comportamento diporto insieme con l'aumento della radiazione ultravioletta causa un drammatico aumento del numero di melanomi diagnosticati. L'aumento dell'incidenza è stato notato negli Stati Uniti nel 1930, dove una persona su 100 000 per anno soffriva di cancro della pelle. Questo tasso di aumento a metà degli anni Ottanta a sei per 100 000 e di 13 per 100 000 nel 1991. I numeri sono paragonabili ai tassi di incidenza osservati in Europa. Nel 1995, in Austria l'incidenza del melanoma era di circa 12 per 100 000, che riflette un incremento del 51,8% negli ultimi dieci anni e l'incidenza del melanoma mostra una tendenza ancora in aumento. Ma sulle altre indagini mano hanno dimostrato che la curabilità del cancro della pelle è quasi del 100%, se si riconosce abbastanza presto e trattata chirurgicamente. Considerando che il tasso di mortalità per melanoma nei primi anni sessanta era di circa il 70%, Nowa tasso di sopravvivenza del 70% è raggiunto, che è principalmente il risultato del riconoscimento precoce. A causa della maggiore incidenza del melanoma maligno, i ricercatori sono interessati sempre di più con la diagnosi automatica delle lesioni cutanee. Molte pubblicazioni riferiscono sulle sforzi isolati nella direzione del riconoscimento automatico melanoma elaborazione delle immagini. Completi sistemi di analisi di immagini dermatologiche integrati sono difficilmente reperibili in uso clinico, o non sono testati su un numero significativo di campioni reali.
Abbiamo sviluppato un sistema veloce e affidabile che sia in grado di rilevare e classificare lesioni cutanee con elevata precisione. Usiamo immagini a colori di lesioni cutanee, le tecniche di elaborazione delle immagini e AdaBoost classificatore per distinguere il melanoma da lesioni pigmentate benigne. Come primo passo dell'analisi set di dati, una sequenza pre-elaborazione viene implementata per rimuovere il rumore e strutture indesiderati dall'immagine colore. In secondo luogo, un approccio di segmentazione automatica localizza regioni lesione sospetta per regione in crescita dopo un passo preliminare basato sulla segmentazione dei colori precisa. Poi, ci affidiamo a analisi di immagine quantitativa per misurare una serie di attributi candidati sperava di contenere informazioni sufficienti per differenziare melanomi da lesioni benigne. . Infine, le caratteristiche selezionate vengono forniti a algoritmo AdaBoost per costruire una forte classificatore
Requisiti :
Matlab
I commenti non trovato