Le mélanome malin est aujourd'hui l'un des principaux cancers chez de nombreuses populations à peau blanche à travers le monde. Changement de comportement de loisirs avec l'augmentation de rayonnement ultraviolet provoquent une augmentation spectaculaire du nombre de mélanomes diagnostiqués. L'augmentation de l'incidence a été remarquée pour la première aux États-Unis en 1930, où une personne sur 100 000 par an souffrait d'un cancer de la peau. Ce taux a augmenté au milieu des années quatre-vingt à six pour 100 000 et à 13 pour 100 000 en 1991. Les chiffres sont également comparables aux taux d'incidence observés en Europe. En 1995, en Autriche, l'incidence du mélanome était d'environ 12 pour 100 000, ce qui reflète une augmentation de 51,8% au cours des dix années précédentes, et de l'incidence du mélanome montre une tendance continue d'augmenter. Mais sur les autres enquêtes de main ont montré que la curabilité du cancer de la peau est de près de 100%, se il est reconnu assez tôt et traitée chirurgicalement. Alors que le taux de mortalité causé par les mélanomes dans les années soixante était d'environ 70%, taux de survie de nowa de 70% est atteint, ce qui est principalement le résultat de la reconnaissance précoce. En raison de la plus forte incidence du mélanome malin, les chercheurs qui concerne de plus en plus avec le diagnostic automatique des lésions cutanées. De nombreuses publications font état des efforts isolés dans la direction de la reconnaissance automatique de mélanome par traitement d'image. Systèmes intégrés complets d'analyse d'images dermatologiques sont guère trouvés dans l'utilisation clinique, ou ne sont pas testés sur un nombre significatif d'échantillons de la vie réelle.
Nous avons développé un système rapide et fiable qui est capable de détecter et de classer les lésions de la peau avec une grande précision. Nous utilisons des images en couleur de lésions cutanées, des techniques de traitement d'image et AdaBoost classificateur de distinguer le mélanome des lésions pigmentées bénignes. En tant que première étape de l'analyse du jeu de données, une séquence de pré-traitement est mis en oeuvre pour éliminer le bruit et les structures désirées de l'image couleur. Deuxièmement, une approche de segmentation automatique localise régions suspectes des lésions par région en croissance après une étape préliminaire basée sur la segmentation adaptative de la couleur. Ensuite, nous nous appuyons sur une analyse quantitative d'image pour mesurer une série d'attributs candidats espérait contenir suffisamment d'informations pour différencier les mélanomes de lésions bénignes. . Enfin, les composants sélectionnés sont fournis à l'algorithme AdaBoost de construire un classificateur forte
Exigences :
Matlab
Commentaires non trouvées