El melanoma maligno es hoy en día uno de los principales tipos de cáncer, entre muchas poblaciones de piel blanca de todo el mundo. Cambio de comportamiento recreativo junto con el aumento de la radiación ultravioleta provoca un aumento dramático en el número de melanomas diagnosticados. El aumento en la incidencia se observó por primera vez en los Estados Unidos en 1930, donde una persona de cada 100 000 por año sufrió de cáncer de piel. Esta tasa de aumento en la mitad de los años ochenta a seis por 100 000 y 13 por 100 000 en 1991. Los números también son comparables a las tasas de incidencia observadas en Europa. En 1995, en Austria la incidencia de melanoma era alrededor del 12 por 100 000, lo que refleja un incremento del 51,8% en los diez años anteriores, y la incidencia de melanoma muestra una tendencia sigue en aumento. Pero en las otras investigaciones mano han demostrado que la capacidad de curado de cáncer de piel es casi del 100%, si se reconoce suficientemente temprano y tratado quirúrgicamente. Mientras que la tasa de mortalidad causada por los melanomas en los años sesenta era alrededor del 70%, se alcanza la tasa de supervivencia nowa de 70%, que es principalmente el resultado del reconocimiento temprano. Debido a la mayor incidencia de melanoma maligno, los investigadores están interesados cada vez más con el diagnóstico automatizado de lesiones de la piel. Muchas publicaciones informan sobre los esfuerzos aislados en la dirección de reconocimiento automatizado de melanoma por procesamiento de imágenes. Sistemas de análisis de imágenes dermatológicas integradas completas apenas se encuentran en uso clínico, o no se ponen a prueba en un número significativo de muestras de la vida real.
Hemos desarrollado un sistema rápido y fiable que sea capaz de detectar y clasificar las lesiones de la piel con gran precisión. Utilizamos imágenes a color de lesiones en la piel, las técnicas de procesamiento de imágenes y clasificador AdaBoost distinguir el melanoma de las lesiones pigmentadas benignas. Como el primer paso del análisis conjunto de datos, una secuencia de preprocesamiento se implementa para eliminar el ruido y las estructuras no deseadas de la imagen de color. En segundo lugar, un enfoque automático de segmentación localiza regiones lesión sospechosa por región en crecimiento después de un paso preliminar basada en la segmentación de color adaptativo. Entonces, nos basamos en el análisis cuantitativo de imágenes para medir una serie de atributos candidatos esperaba contener suficiente información para diferenciar los melanomas de lesiones benignas. . Por último, las características seleccionadas se suministran a AdaBoost algoritmo para construir una fuerte clasificador
Requisitos :
Matlab
Comentarios que no se encuentran