بخش بندی ملانوما و دیگر عارضه های رنگی پوست در تصاویر درموسکپی با استفاده از ترکیب روشهای آستانه گذاری مبتنی برالگوریتم یادگیری تقویتی
سال انتشار: 1392
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 155
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIPET-4-16_005
تاریخ نمایه سازی: 19 دی 1400
چکیده مقاله:
تصاویر درموسکپی یکی از ابزارهای اصلی مورد استفاده در تشخیص ملانوما و دیگر عارضه های رنگی پوست به شمار می رود. به علت سختی و عوامل ادراکی در تشخیص های انسانی، تحلیل کامپیوتری تصاویر درموسکپی یک زمینه جدید تحقیقاتی را به روی محققین گشوده است. یکی از مراحل اصلی در تحلیل این تصاویر، آشکارسازی خودکار مرز عارضه می باشد. یافتن یک آستانه بهینه برای بخش بندی تصاویر دیجیتالی یک کار دشوار در پردازش تصویر می باشد. در این تحقیق یک روش آستانه گذاری جدید مبتنی بر روش های آستانه گذاری مطرح و الگوریتم یادگیری تقویتی جهت بخش بندی تصاویر درموسکپی ارائه می گردد. در این روش، عامل تقویتی الگوریتم یادگیری، وزن های بهینه مربوط به آستانه های مختلف را آموزش می بیند و تصویر را توسط آستانه بهینه بخش بندی می کند. یک تابع پاداش برای محاسبه میزان شباهت بین تصویر باینری خروجی و تصویر سطح خاکستری اصلی به کار برده می شود تا میزان پاداش یا جریمه را به عامل تقویتی اعمال کند. از سه روش آستانه گذاری Otsu، Kittler و Kapur جهت ترکیب در عامل تقویتی استفاده می گردد. نتایج بخش بندی با استفاده از اندازه گیری خطا براساس تصاویری که توسط متخصصین پوست بخش بندی شده اند، مقایسه می گردند. مقایسه نتایج حاصل با روش های خودکار ارائه شده در مقالات، بیانگر بهبود دقت و کاهش خطا در آشکارسازی مرز عارضه در تصاویر درموسکپی است.
کلیدواژه ها:
نویسندگان
سیدمحمد سیدابراهیمی
کارشناس ارشد /دانشگاه آزاد اسلامی، واحد نجف آباد
حسین پورقاسم
استادیار /دانشگاه آزاد اسلامی، واحد نجف آباد
احمد کشاورز
استادیار /دانشگاه خلیج فارس بوشهر
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :