Das maligne Melanom ist heute einer der führenden Krebserkrankungen unter vielen weißen Hautfarbe Bevölkerung auf der ganzen Welt. Änderung des Freizeitverhalten zusammen mit dem Anstieg der UV-Strahlung zu einer drastischen Zunahme der Anzahl der Melanome diagnostiziert. Die Erhöhung der Inzidenz wurde zum ersten Mal in den Vereinigten Staaten im Jahr 1930, in der eine Person von 100 000 Euro pro Jahr vor Hautkrebs litt bemerkt. Dieser Satz in der Mitte der achtziger Jahre stieg auf sechs pro 100 000 und bis 13 je 100 000 im Jahr 1991. Die Zahlen sind vergleichbar mit den in Europa beobachteten Inzidenzraten. Im Jahr 1995 in Österreich die Inzidenz von Melanomen war etwa 12 pro 100 000 Einwohner, was einer Steigerung von 51,8% in den letzten zehn Jahren wider, und das Auftreten von Melanom zeigt eine noch steigender Tendenz. Aber auf der anderen Seite Untersuchungen haben gezeigt, daß die Härtbarkeit von Hautkrebs beträgt nahezu 100%, sofern dies früh genug erkannt und operativ behandelt. Während die Sterblichkeitsrate von Melanomen in den frühen sechziger Jahren verursacht wurde, etwa 70%, ist nowa Überlebensrate von 70% erreicht, was vor allem das Ergebnis der Früherkennung. Wegen der höheren Inzidenz des malignen Melanoms sind die Forscher immer mehr mit der automatisierten Diagnose von Hautverletzungen betroffenen. Zahlreiche Publikationen berichten über isolierten Anstrengungen in Richtung automatisierte Melanom Anerkennung durch Bildverarbeitung. Vollständig integrierte dermatologischen Bildanalysesysteme sind kaum in der klinischen Verwendung gefunden wird oder nicht auf eine bedeutende Anzahl von realen Proben getestet.
Wir haben einen schnellen und zuverlässigen System, das in der Lage zu erkennen und zu klassifizieren, Hautläsionen, die mit hoher Genauigkeit entwickelt. Wir verwenden Farbbilder von Hautläsionen, Bildverarbeitungstechniken und AdaBoost Klassifikator Melanom von gutartigen Pigmentflecken unterscheiden. Als erster Schritt des Datensatzes Analyse wird eine Vorverarbeitung Sequenz implementiert werden, um Rauschen und unerwünschte Strukturen, die aus dem Farbbild zu entfernen. Zweitens, lokalisiert ein automatisierter Segmentierungsansatz verdächtige Läsion Regionen nach Region nach einer vorläufigen Schritt basierend auf adaptiven Farbsegmentierung wächst. Dann setzen wir auf quantitative Bildanalyse zur Messung einer Reihe von Kandidaten Attribute gehofft, genügend Informationen, um Melanome von gutartigen Läsionen zu unterscheiden enthalten. . Schließlich werden die ausgewählten Funktionen zu AdaBoost Algorithmus geliefert, um eine starke Klassifikator bauen
Anforderungen :
Matlab
Kommentare nicht gefunden