O melanoma maligno é hoje em dia um dos principais cânceres entre muitas populações de pele branca ao redor do mundo. Mudança de comportamento de recreio, juntamente com o aumento da radiação ultravioleta que provoca um aumento dramático no número de melanomas diagnosticados. O aumento da incidência foi notado pela primeira vez nos Estados Unidos em 1930, onde uma pessoa de 100 000 por ano sofria de câncer de pele. Esta taxa de aumento no meio da década de oitenta e seis por 100 e 000 a 13 por 100 000 em 1991. Os números também são comparáveis às taxas de incidência observadas na Europa. Em 1995, na Áustria, a incidência de melanoma foi de cerca de 12 por 100 000, o que refletiu um aumento de 51,8% nos últimos 10 anos, e a incidência de melanoma mostra uma tendência continua a aumentar. Mas, por outro lado investigações têm demonstrado que a possibilidade de cura de cancro da pele é cerca de 100%, se for reconhecido suficientemente cedo e tratados cirurgicamente. Considerando que a taxa de mortalidade causada por melanomas no início da década foi de cerca de 70%, a taxa de sobrevivência nowa de 70% seja alcançado, que é principalmente o resultado de reconhecimento precoce. Por causa da maior incidência de melanoma maligno, os pesquisadores estão preocupados cada vez mais com o diagnóstico automatizado de lesões de pele. Muitas publicações relatam em esforços isolados na direcção de reconhecimento automatizado melanoma por processamento de imagem. Sistemas de análise de imagem dermatológicas integrado completo dificilmente são encontrados em uso clínico, ou não são testados em um número significativo de amostras da vida real.
Nós desenvolvemos um sistema rápido e de confiança que é capaz de detectar e classificar as lesões da pele com alta precisão. Usamos imagens coloridas de lesões de pele, técnicas de processamento de imagem e AdaBoost classificador distinguir melanoma de lesões pigmentadas benignas. Como o primeiro passo da análise do conjunto de dados, uma sequência de pré-processamento é executado para remover o ruído indesejado e estruturas a partir da imagem a cores. Em segundo lugar, uma abordagem de segmentação automática localiza regiões lesão suspeita por região em crescimento depois de uma etapa preliminar, baseado na segmentação de cor adaptável. Então, contamos com a análise quantitativa de imagens para medir uma série de atributos candidatos a esperança de conter informação suficiente para diferenciar lesões benignas de melanomas. . Por fim, os recursos selecionados são fornecidos ao algoritmo AdaBoost para construir um classificador forte
Requisitos :
Matlab
Comentários não encontrado