Malignt melanom er i dag en af de førende kræftformer blandt mange hvide-flået befolkninger rundt om i verden. Ændring af rekreative adfærd sammen med stigningen i ultraviolet stråling forårsage en dramatisk stigning i antallet af melanomer diagnosticeret. Den raise i forekomsten blev først bemærket i USA i 1930, hvor én person ud af 100 000 om året led af hudkræft. Dette steg i midten af firserne til seks per 100 000 og 13 100 000 i 1991. Tallene er også sammenlignes med incidensrater observeres i Europa. I 1995 i Østrig forekomsten af modermærkekræft var omkring 12 pr 100 000, hvilket afspejlede en stigning på 51,8% i de foregående ti år, og forekomsten af modermærkekræft, viser en stadig stigende tendens. Men på den anden side undersøgelser har vist, at hærdelighed for hudkræft er næsten 100%, hvis det er anerkendt tidligt nok og behandles kirurgisk. Ud fra følgende betragtninger dødeligheden forårsaget af melanomer i begyndelsen af tresserne var omkring 70%, er Nowa overlevelse på 70% nås, hvilket hovedsageligt skyldes tidlig anerkendelse. På grund af den højere forekomst af malignt melanom er forskere berørte mere og mere med den automatiserede diagnose af hudlæsioner. Mange publikationer rapporterer om isolerede indsats i retning af automatiseret melanom anerkendelse billedbehandling. Komplet integrerede dermatologiske billedanalyse systemer næppe findes i klinisk brug, eller ikke testet på et betydeligt antal virkelige prøver.
Vi har udviklet et hurtigt og pålideligt system der er i stand til at detektere og klassificere hudlæsioner med stor nøjagtighed. Vi bruger farvebilleder af hudlæsioner, billedbehandling teknikker og AdaBoost klassificeringen til at skelne melanom fra benigne pigmenterede læsioner. Som det første skridt af datasættet analyse, en forbehandling sekvens gennemført for at fjerne støj og uønskede strukturer fra farvebillede. For det andet, en automatiseret segmentering tilgang lokaliserer mistænkelige læsioner regioner efter region vokser efter et indledende trin er baseret på adaptiv farve segmentering. Derefter, vi er afhængige af kvantitativ billedanalyse for at måle en række kandidat attributter håbede at indeholde tilstrækkelige oplysninger til at differentiere melanomer fra benigne læsioner. . Endelig er de valgte funktioner leveres til AdaBoost algoritme til at opbygge en stærk klassifikatør
Krav :
Matlab
Kommentarer ikke fundet