شناسايي هوشمند سرطان پوست آكتينيك كراتوزيس و كارسينوماي سلول سنگفرشي با استفاده از ويژگي هاي خطي و غير خطي بر پايه تكنيك هاي پردازش تصوير

Intelligent Diagnosis of Actinic Keratosis and Squamous Cell Carcinoma of the Skin, Using Linear and Nonlinear Features Based on Image Processing Techniques

اكثر سرطان هاي پوست در مراحل ابتدايي قابل درمان هستند، بنابراين يك تشخيص زودهنگام و سريع مي تواند براي نجات جان بيماران بسيار حايز اهميت باشد. امروزه با كمك هوش مصنوعي، تشخيص زودهنگام سرطان در مراحل ابتدايي ممكن شده است. روش در اين پژوهش توصيفي-تحليلي، يك سيستم كامپيوتري تشخيصي بر پايه تكنيك هاي پردازش تصوير ارايه شد كه براي بيمار بسيار سودمندتر است. در اين روش، تصاوير درموسكوپي ثبت شده از دو نوع سرطان آكتينيك كراتوزيس و سرطان كارسينوماي سلول سنگفرشي توسط تكنيك هاي پيش پردازش بهبود داده شدند و نويزهاي احتمالي موجود در آن ها حذف شد، سپس توسط روش آستانه گذاري بخش بندي شدند تا محدوده ضايعه از پوست زمينه جدا شود. در ادامه از اين محدوده بخش بندي شده اطلاعات و ويژگي هاي بافتي، شكلي و رنگي استخراج شد. در انتها به كمك روش كاهش ويژگي و ماشين بردار پشتيبان (Support Vector Machine) SVM به ارزيابي كيفي و كمي روش پيشنهادي پرداخته شد. نتايج داده هاي اين مطالعه شامل 100 نمونه تصوير آكتينيك كراتوزيس و 100 نمونه كارسينوماي سلول سنگفرشي بود. نتايج مطالعه حاضر نشان داد استفاده از روش الگوريتم ژنتيك به كمك روش ماشين بردار پشتيبان توانست نوع سرطان پوست را با صحت 0/4±99/7% شناسايي كند. نتيجه گيري: تاثير حضور ويژگي هاي بافتي متفاوت در امر تشخيص نوع ضايعه نشان داد هرچه ميزان و تنوع ويژگي هاي استخراج شده از نمونه ها بيشتر باشد، آموزش سيستم بهتر و آناليز دقيق تري صورت مي گيرد.

Most skin cancers are treatable in the early stages; thus, an early and rapid diagnosis can be very important to save patients’ lives. Today, with artificial intelligence, early detection of cancer in the initial stages is possible. Method In this descriptive-analytical study, a computerized diagnostic system based on image processing techniques was presented, which is much more helpful for the patient. In this method, dermoscopic images of actinic keratosis and squamous cell carcinoma were improved by preprocessing techniques and the potential noises were removed. Then, segmentation was performed using the thresholding method to separate the lesion from the underlying skin. Thereafter, from the segmented area, texture, shape, and color information and features were extracted. Finally, the feature reduction method and support vector machine (SVM) were used to evaluate the proposed method qualitatively and quantitatively. Results The data in this study included 100 samples of actinic keratosis images and 100 samples of squamous cell carcinoma. The results of the present study showed that using the genetic algorithm method together with the support vector machine method could help identify the type of skin cancer with 99.7 ± 0.4% accuracy. Conclusion The effect of different tissue features in diagnosing the type of lesion showed an increase in the amount and variety of features extracted from the samples would lead to better training and more accurate analysis of the system.