انتخاب ويژگي هاي عميق بهينه براي طبقه بندي تصاوير ضايعات پوستي با استفاده از الگوريتم بهينه سازي گرگ خاكستري

سرطان پوست يكي از شايع ترين و كشنده ترين انواع سرطان در جهان است و در نتيجه روش هاي كامپيوتري براي طبقه بندي ضايعات پوستي بر اساس تصاوير درموسكوپي بسيار مورد توجه هستند. يك رويكرد اميدواركننده براي اين كار استفاده از يادگيري انتقالي براي تطبيق شبكه‌هاي عصبي پيچشي از پيش آموزش‌ديده شده براي تشخيص ضايعات پوستي و استفاده از ويژگي هاي مستخرج از اين شبكه ها مي باشد كه مي تواند يا به صورت يك بردار تكي يا ادغام شده از چند مدل از پيش آموزش‌ديده شده استفاده شود.ويژگي هاي مستخرج از طبقه بندهاي CNN ممكن است حاوي ويژگي هاي زائد و تكراري باشد كه مي تواند منجر به افزايش نرح خطاي طبقه بندي و همينطور افزايش زمان محاسباتي طبقه بند شود. با اين وجود تاكنون مطالعه جامعي بر روي روشهاي انتخاب ويژگي هاي عميق به منظور بهبود كارايي تشخيص ضايعات پوستي انجام نشده است. به منظور انتخاب ويژگي هاي بهينه و حذف ويژگي هاي تكراري و زائد ما تاثير بكارگيري مجموعه متنوعي از روش هاي انتخاب ويژگي فيلتر، پوشاننده ، تعبيه شده و روش كاهش ابعاد را براي دست يابي به بهينه ترين ويژگي هاي عميق 11 شبكه از پيش آموزش ديده شده بر روي تصاوير دو مجموعه داده اي شناخته شده ISIC 2017, ISIC 2018 بررسي كرديم . نتايج ما نشان داد كه طبقه بند KNN آموزش داده شده با ويژگي هاي انتخاب شده توسط روش هاي پوشاننده نسبت به ديگر روش هاي انتخاب ويژگي بالاترين كارايي را دارد به طوريكه ، طبقه بندي با ويژگي هاي بدست آمده از روش پوشاننده به كمك الگوريتم بهينه سازي گرگ خاكستري، بهترين كارايي را با امتياز F1 8291/0 و صحت 8333/0 براي مجموعه داده اي ISIC 2017 و امتياز F1 9324/0 و صحت 9350/0 براي مجموعه داده اي ISIC 2018 بدست آورد.