Skin lesion classification using deep learning neural networks.
Φόρτωση...
Ημερομηνία
2017-08-25
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Τ.Ε.Ι. Κρήτης, Σχολή Τεχνολογικών Εφαρμογών (Σ.Τ.Εφ), ΠΜΣ Πληροφορική και Πολυμέσα
T.E.I. of Crete, School of Engineering (STEF), PPS in Informatics and Multimedia
T.E.I. of Crete, School of Engineering (STEF), PPS in Informatics and Multimedia
Επιβλέπων
Περίληψη
Melanoma is a type of skin cancer and it is characterized from the experts
as the most aggressive. An early diagnosis and a surgery removal can give
to the patient almost 99% survival rate. Several Computer-Aided Diagno-
sis (CAD) systems have been proposed to assist dermatologists in an early
diagnosis. This thesis, it is dealing with the processing of color images that
depict images of patients with possible melanoma. The main point is to build
a system to identify cases that could be potentially dangerous. The system
performs feature extraction using the SIFT and SURF algorithm and these
features fed into several classi ers such as Support Vector Machines (SVM),
K-Nearest Neighbor (K-NN) and Convolutional Neural Network (CNN) and
achieve 94; 51% accuracy.
Το μελάνωμα είναι ο τύπος καρκίνου του δέρματος που χαρακτηρίζεται από τους ειδικούς ως ο πιο επιθετικός. Η έγκαιρη διάγνωση και η αφαίρεση μέσω χειρουργικής επέμβασης δίνει μέχρι και 99% πιθανότητα επιβίωσης. Πολλά συστήματα έχουν προταθεί με σκοπό να βοηθήσουν τους δερματολόγους ώστε να γίνεται η διάγνωση έγκαιρα. Η διπλωματική αυτή πραγματεύεται εικόνες από ασθενείς με πιθανότητα μελανώματος. Ο κύριος σκοπός είναι να κατασκευαστεί ένα σύστημα το οποίο να μπορεί να αναγνωρίσει τις επικίνδυνες περιπτώσεις. Το σύστημα πραγματοποιεί εξαγωγή χαρακτηριστικών με SIFT και SURF και στην συνέχεια τα χαρακτηριστικά ταξινομούνται χρησιμοποιώντας SVM, KNN και CNN με ποσοστό επιτυχίας 94,51%.
Το μελάνωμα είναι ο τύπος καρκίνου του δέρματος που χαρακτηρίζεται από τους ειδικούς ως ο πιο επιθετικός. Η έγκαιρη διάγνωση και η αφαίρεση μέσω χειρουργικής επέμβασης δίνει μέχρι και 99% πιθανότητα επιβίωσης. Πολλά συστήματα έχουν προταθεί με σκοπό να βοηθήσουν τους δερματολόγους ώστε να γίνεται η διάγνωση έγκαιρα. Η διπλωματική αυτή πραγματεύεται εικόνες από ασθενείς με πιθανότητα μελανώματος. Ο κύριος σκοπός είναι να κατασκευαστεί ένα σύστημα το οποίο να μπορεί να αναγνωρίσει τις επικίνδυνες περιπτώσεις. Το σύστημα πραγματοποιεί εξαγωγή χαρακτηριστικών με SIFT και SURF και στην συνέχεια τα χαρακτηριστικά ταξινομούνται χρησιμοποιώντας SVM, KNN και CNN με ποσοστό επιτυχίας 94,51%.