Melanoma is one of the fastest spreading cancers.The aim of the article is to segment the skin lesionsfrom human skin dermatoscopic images covered by melanoma. Threshold segmentation was used, which allows a single skin lesionto be analyzed. Itshows the four areas of each based on their color. The created software monitors the border of skin lesion areas.Segmentation and analysis of the resulting images with different areas of skin change was carried out in the Matlab software.
PL
Czerniak to jeden z najszybciej rozprzestrzeniających się nowotworów. Celem artykułu jest segmentacja zmiany skórnej z obrazów dermatoskopowych ludzkiej skóry objętych czerniakiem. Użyto segmentacj przez progowanie, która pozwala na analizę pojedyńczejzmiany skórnej. Ukazuje cztery obszary każdej z nich w oparciu o ich barwę. Stworzone oprogramowanie monitoruje granicę obszarów zmiany skórnej. Segmentacjai analiza powstałych obrazów z różnymi obszarami zmiany skórnej została przeprowadzona w środowisku Matlab.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Visual examination of the early stages of the melanocytic skin cancer (melanoma) may often lead to a false diagnosis. Only the resection and then histologic examination of the lesion can fully detect malignant transformations of the skin. This is the reason why development of non-invasive methods for dermatological diagnosis, like dermatoscopy, is of key importance. We build a MLP-based binary classifier for discriminating melanoma from dysplastic nevus utilizing textural information contained in the skin lesion images taken in dermatoscopic examinations. Our analysis is based on the multiresolution wavelet-based decomposition of the images. Significant features of both classes are found by means of the Ridge regression models. Discriminating melanoma from dysplastic nevus with this method yields a sensitivity and specificity of 89.5% and 90%, respectively.
PL
Wizualna ocena wczesnych stanów procesu nowotworzenia skóry może prowadzić do błędnej diagnozy. Jedynie resekcja oraz histologiczna ocena może ocenić obecność procesu nowotworzenia. Stąd potrzeba nieinwazyjnej oceny w dermatologii jest potrzebą chwili. Zbudowaliśmy bazujący na MLP binarny klasyfikator dla dyskryminacji melanoma w oparciu o obrazy uzyskane dermatoskopowo. Metoda bazuje na dekompozycji obrazu. Model regresji Ridge'go został zaadaptowany dla klasyfikacji obrazu co dało specyficzność oceny rzędu 89.5% i 90%.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.