Злокачественная меланома сегодня является одним из ведущих видов рака среди многих белокожих населения во всем мире. Изменение рекреационного поведения вместе с увеличением ультрафиолетового излучения вызывают резкое увеличение числа меланом диагнозом. Рейз заболеваемости впервые заметил в Соединенных Штатах в 1930 году, когда один человек из 100 000 в год страдал от рака кожи. Этот показатель увеличился в середине восьмидесятых годов до шести в 100 000 и 13 на 100 000 в 1991 году эти цифры также сравнимы с показателями заболеваемости наблюдается в Европе. В 1995 году в Австрии заболеваемость меланомой был около 12 100 000, что отражает увеличение на 51,8% в предыдущие десять лет, и заболеваемость меланомой показывает еще большее тенденцию. Но с другой стороны, исследования показали, что излечимости рака кожи почти на 100%, если учесть достаточно рано, и хирургическое лечение. В то время как смертность от меланомы вызвал в начале шестидесятых годов было около 70%, выживаемость Нова 70% достигается, которая является в основном результатом раннего распознавания. Из-за высокой заболеваемости злокачественной меланомы, ученые обеспокоены все более и более с автоматизированной диагностики поражений кожи. Многие издания сообщают о единичных усилий в направлении автоматизированного распознавания меланомы по обработке изображений. Полные комплексные системы дерматологические анализа изображений вряд ли нашел в клинической практике, или не тестируется на значительное число образцов реальных.
Мы разработали быстрый и надежную систему, которая способна обнаруживать и классифицировать поражения кожи с высокой точностью. Мы используем цветные изображения поражений кожи, методов обработки изображений и AdaBoost классификатором для различения меланомы из пигментных поражений. В качестве первого шага набора данных анализа, последовательность предварительной обработки осуществляется для удаления шума и нежелательных структур из цветного изображения. Во-вторых, автоматизированная сегментация подход локализует подозрительных регионы поражения от региона растущие после предварительного этапа на основе адаптивного цветовой сегментации. Затем, мы полагаемся на количественном анализе изображений для измерения серия атрибутов кандидатов надеялся содержать достаточно информации, чтобы дифференцировать от доброкачественных меланомы поражений. . Наконец, выбранные объекты поставляются с алгоритмом AdaBoost построить сильную классификатор
Требования
Matlab
Комментарии не найдены