Skip to main content
SUPERVISOR
Shadrokh Samavi,Nader Karimi
شادرخ سماوی (استاد راهنما) نادر کریمی (استاد مشاور)
 
STUDENT
Mohammadhossein Jafari
محمدحسین جعفری

FACULTY - DEPARTMENT

دانشکده مهندسی برق و کامپیوتر
DEGREE
Master of Science (MSc)
YEAR
1393
Melanoma is the deadliest form of skin cancer and is on rise. Prescreening of suspicious moles and lesions for malignancy is of great importance. Detection can be done through images captured by standard cameras, which are preferable due to low cost and availability. Analysis of these images is usually challenging due to existence of disturbing factors such as illumination variations, light reflections from skin surface, less detailed information and presence of skin artifacts. One important stage in diagnosis of melanoma is segmentation of lesion region from normal skin. In this thesis, firstly a method for accurate extraction of lesion region is proposed that is based on deep learning approaches. The input image, after being preprocessed to reduce noisy artifacts, is applied to a deep convolutional neural network (CNN). The CNN combines local and global contextual information and outputs a label for each pixel, producing a segmentation mask that shows the lesion region. This mask will be further refined by some post processing operations. The experimental results show that our proposed method can outperform the existing state-of-the-art algorithms in terms of segmentation accuracy. In addition, in this thesis we propose an efficient system for prescreening of pigmented skin lesions for malignancy using general-purpose digital cameras. The proposed method enhances the lesion’s border using guided filtering and extracts a broad set of dermatologically important features. A set of fifteen features is formed which cover different color and shape characteristics of melanoma visible in skin images. The first 5 features are extracted using Fuzzy C-means clustering based on color variations and color spatial distributions of pigmented skin. The next 5 features consider colors and intensity of the colors and finally the last 5 features assess the shape of the lesion. These discriminative features allow dir=ltr align=left Keywords: Medical image processing, image segmentation, deep learning, feature extraction
ملانوما خطرناک‌ترین نوع سرطان پوست محسوب می‌شود. با وجود خطر بالا، تشخیص ضایعات ملانومایی در مراحل اولیه‌ی رشد احتمال درمان آن‌ها را تا حد زیادی افزایش می‌دهد. از مشکلاتی که در زمینه‌ی تشخیص زودهنگام ملانوما وجود دارد، شباهت ظاهری این ضایعات با دیگر ضایعات خوش‌خیم نظیر خال طبیعی است. در علوم پزشکی معیارهایی به منظور بررسی ظاهری ضایعات پوستی و تعیین میزان خطر آن‌ها وجود دارد. بر این اساس روش‌های مختلفی به منظور بهره‌گیری از توان سیستم‌های کامپیوتری در جهت تسهیل مراحل مختلف تشخیص و درمان ملانوما ارائه شده است. یکی از روش‌های تشخیص اولیه‌ی ملانوما، بررسی تصاویر ضایعات پوستی تهیه‌شده به کمک درماتوسکوپ است. درماتوسکوپ وسیله‌ای است که عمل بزرگنمایی ضایعه و یکنواخت‌سازی نور جهت تصویربرداری از پوست را فراهم می‌کند. در این میان مشکلاتی نظیر عدم دسترسی همگانی پزشکان و بیماران به این دستگاه، استفاده‌ از تصاویر درماتوسکوپی را با محدودیت مواجه کرده است. از طرف دیگر در سال‌های اخیر با افزایش کیفیت و دسترسی فراگیر به دوربین‌های دیجیتال عادی، زمینه‌ی تحقیقاتی فعالی به منظور تشخیص ملانوما با استفاده از تصاویر دیجیتال از پوست، که به اصطلاح تصاویر غیردرموسکوپی نامیده می‌شوند، ایجاد شده است. این تصاویر نسبت به تصاویر درموسکوپی جزئیات کمتری از ضایعه را نمایش داده و با مشکلاتی نظیر عدم توزیع یکنواخت نور مواجه هستند. با این حال به دلیل دسترسی همگانی، علاقه‌ی زیادی به منظور تشخیص ملانوما با استفاده از این تصاویر وجود دارد. بررسی ملانوما به وسیله‌ی تصاویر غیردرموسکوپی مسائل مختلفی نظیر بخش‌بندی ناحیه‌ی ضایعه و دسته‌بندی تصاویر بر اساس مشخصات ضایعه را شامل می‌شود. در این تحقیق، روشی بر مبنای شبکه‌های عمیق کانوولوشن (CNN) به منظور بخش‌بندی ناحیه‌ی ضایعه ارائه شده است. به این جهت تصویر ورودی پس از پیش‌پردازش به وسیله‌ی فیلتر هدایت‌شده با هدف کاهش زوائد موجود، به صورت وصله‌های محلی و سراسری اطراف پیکسل‌های تصویر به شبکه‌ی CNN وارد می‌شود. استفاده‌ی هم‌زمان از وصله‌های محلی و سراسری در روش پیشنهادی موجب افزایش مقاومت در برابر تغییرات محلیِ شدت نور و استخراج دقیق مرز ضایعه می‌شود. آزمایش‌های انجام‌گرفته نشان می‌دهد که روش پیشنهادی از نظر دقت و حساسیت بخش‌بندی در مقایسه با سایر روش‌های موجود در این زمینه عملکرد بهتری دارد. علاوه بر این در این تحقیق به بررسی مشخصات درماتولوژی ضایعه بر اساس معیار ABCD پرداخته می‌شود. در روش پیشنهادی وضعیت رنگ ضایعه به کمک خوشه‌بندی فازی بررسی می‌گردد. در این روش مراکز محاسبه‌شده به وسیله‌ی خوشه‌بندی فازیِ پیکسل‌های ضایعه به عنوان معیاری از نمایش تنوع رنگ مورد استفاده قرار می‌گیرند. با بررسی مشخصات رنگ در کنار مشخصات شکل ضایعه، نظیر تقارن و وضعیت مرز، تشخیص نهایی در مورد ملانومایی بودن ضایعه انجام می‌گیرد. نتایج بررسی روش پیشنهادی به منظور تشخیص خودکار ملانوما عنوان می‌کند که سیستم پیشنهادی در این زمینه از دقت تشخیص بهتری در مقایسه با روش‌های مشابه موجود بر اساس تصاویر غیردرموسکوپی برخوردار است. کلمات کلیدی: 1- پردازش تصویر پزشکی 2- بخش‌بندی تصویر 3- یادگیری عمیق 4- استخراج ویژگی

ارتقاء امنیت وب با وف بومی