AN INNOVATIVE TECHNIQUE FOR CLASSIFICATION AND DETECTION OF SKIN CANCER USING IMAGE PROCESSING AND SVM ALGORITHM

Анотація

Рак шкіри є серйозною проблемою зі здоров’ям, яка вражає мільйони людей у всьому світі. Кожен третій вид раку є раком шкіри, і більшість людей не в змозі визначити та поставити діагноз, тому раннє виявлення має важливе значення для ефективного лікування та покращення результатів пацієнтів. В останні роки комп’ютерний зір і машинне навчання стали важливими інструментами для автоматичного виявлення раку шкіри. Одним із часто використовуваних алгоритмів машинного навчання для цього завдання є Support Vector Machines (SVM). SVM – це тип алгоритму навчання під наглядом, який використовується для класифікаційних завдань. Під час виявлення раку шкіри класифікатор SVM навчається на наборі даних дерматоскопічних зображень уражень шкіри. Першим кроком у цьому процесі є виділення ознак, де відповідна інформація витягується із зображень, щоб служити вхідними даними для класифікатора SVM. Ця інформація може включати особливості кольору, текстури та форми, серед іншого.

Навчання та тестування класифікатора SVM потім виконується з використанням частини набору даних, а решта використовується для оцінки його продуктивності. На етапі тестування класифікатор SVM використовується для прогнозування мітки класу кожного зображення, яке може бути злоякісним або доброякісним. Точність класифікатора оцінюється шляхом порівняння його прогнозів із фактичними мітками класів зображень у наборі даних оцінки.

Результати використання SVM у виявленні раку шкіри були багатообіцяючими, з високими показниками точності. Це підкреслює потенціал SVM як корисного інструменту для скринінгу та раннього виявлення раку шкіри. Підсумовуючи, використання SVM для виявлення раку шкіри забезпечує швидкий, автоматичний і надійний метод виявлення раку шкіри, який може допомогти покращити результати лікування пацієнтів. В даний час дійсно дуже важливо спостерігати і аналізувати ракове захворювання в автоматичному режимі на перших стадіях. Нерегулярні смуги квадратного розміру мають один квадратний розмір у кожній із головних дуже важливих ознак (включених у більшість алгоритмів дермоскопії), які показують високий зв’язок із карциномою та базально-клітинним захворюванням злоякісного росту. Техніка діагностичного тестування для виявлення є найболючішою та шкідливою, тому ми маємо тенденцію схилятися до квадратної міри, йдучи до виявлення, керованого машиною. Тут ми маємо тенденцію до квадратичного вимірювання на практиці вибору GLCM для виявлення вибору уражень шкіри квадратного виміру, витягнутого нормалізованого симетричного рівня сірого, матриці спільного розташування GLCM. Квадратна міра вибору текстури на основі GLCM витягується з кожного з чотирьох класів і надається як вхідні дані для векторної машини підтримки кількох класів, яка використовується для цілей класифікації.