A hybrid machine learning classification method for melanoma diagnosis in Dermascopic images
Dissertation
Zeyad Jameel Halwas
computer
1402
65p.
cd
M.S.
computer
1402/03/17
Changes in the human body's metabolism are the cause of skin malignancies. Increased exposure to UV light from the sun is the primary cause of skin cancer growth. Melanoma, a fatal kind of skin tumor, has become more prevalent recently. Melanoma is the most lethal type of skin cancer, but it accounts for only 1% of all instances, according to data from the American Cancer Society. Nevertheless, they cause a greater fatality rate. Dermatologists can increase the likelihood of a good outcome and ultimately save lives by utilizing the power of machine learning algorithms. A dataset containing forms of this type of cancer was used to test and train the suggested method, which demonstrated high accuracy in identifying both melanoma and non-melanoma by reaching RBF 67.4%, polynomial accuracy of 99.3 %, and linear accuracy of 99.1%.
تغییر در متابولیسم بدن انسان عامل بدخیمی های پوستی است. افزایش قرار گرفتن در معرض اشعه ماوراء بنفش خورشید را میتوان دلیل اصلی رشد سرطان پوست دانست . ملانوما، نوعی تومور کشنده پوست است که اخیراً شیوع بیشتری پیدا کرده است. طبق دادههای انجمن سرطان آمریکا، ملانوما کشندهترین نوع سرطان پوست است، اما تنها 1 درصد از تمام موارد را تشکیل میدهد. با این وجود، آنها باعث مرگ و میر بیشتر می شوند. متخصصان پوست می توانند با استفاده از قدرت الگوریتم های یادگیری ماشینی، احتمال یک نتیجه خوب را افزایش دهند و در نهایت زندگی را نجات دهند. یک مجموعه داده حاوی اشکال این نوع سرطان برای آزمایش و آموزش روش پیشنهادی استفاده شد که با رسیدن به RBF 67.4٪، دقت چند جمله ای 99.1٪ و دقت خطی 99.3٪ دقت بالایی در شناسایی ملانوما و غیر ملانوم را نشان داد.
ارائه یک طبقه بند ترکیبی مبتنی بر يادگيري ماشين برای تشخیص ملانوما در تصاویر درماسکوپیک