دانلود پروپوزال تشخیص سرطان پوست با استفاده از تکنیک یادگیری عمیق و شبکه عصبی کانولوشن

 

این پروپوزال دارای مقاله بیس میباشد که قابل مشاهده و دانلود می باشد:

Detection Skin Cancer NN

    فهرست مطالب پروپوزال  تشخیص سرطان پوست با استفاده از تکنیک های پردازش تصویر در سخت افزار قابل تننظیم

1. بیان مساله اساسی تحقیق 
2. مرور ادبیات و سوابق مربوطه
3. اهمیت و ضرورت انجام تحقیق
4. اهداف مشخص تحقیق
5. سؤالات تحقیق
6. فرضیه ‏های تحقیق
7. روش شناسی تحقیق
8. متغیرهای مورد بررسی در قالب یک مدل مفهومی
9. جنبه جدید بودن و نوآوری در تحقیق
10. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
11. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
12. مراجع

بیان مساله

 در سالهای اخیر، سرطان پوست به عنوان پرخطرترین و شایعترین نوع سرطان در انسانها شناخته شده است. سرطان پوست نوعهای مختلف دارد، به-عنوان مثال کارسینوم سلول سنگفرشی و ملانوما که نوع ملانوماها غیر قابل پیشبینی هستند، تشخیص بهموقع سرطان ملانوما میتواند در درمان آن مفید باشد. ملانوما یکی از شایعترین انواع سرطان پوست میباشد، که تشخیص ملانوما در مراحل نخست بیماری میتواند به طورچشمگیری از مرگ ناشی از این سرطان مهلک پوست جلوگیری نماید. ارایه روشی که تشخیص ملانوما را در مراحل اولیه آسان نماید بسیار مفید و ارزنده است.

در این پژوهش بر آن شدیم که با استخراج ویژگیهای مناسب از با استفاده از شبکه عصبی و یادگیری عمیق به ایجاد الگوریتمی بپردازیم که به تشخیص ملانوما کمک نماید. بصریسازی کامپیوتر یک نقش مهم در تشخیص تصاویرپزشکی خواهد داشت که قبلا توسط بیشتر سیستمهای موجود ثابت شده است. [۱]   از فناوری‌های یادگیری عمیق، شبکه‌های عصبی کانولوشن (CNNs)[9] در زمینه تصاویر پزشکی، از محبوبیت بالاتری برخوردار هستند. بیشتر تکنولوژی‌های یادگیری عمیق مربوط به غربالگری سرطان، بر اساس CNNها می‌باشند. به‌کارگیری شبکه‌های عصبی کانولوشن از اواخر دهه ۱۹۷۰ آغاز شده و از سال ۱۹۹۵ به تجزیه و تحلیل تصاویر پزشکی اعمال شده است (۸). یادگیری عمیق، یک روش جدید برای اعمال یادگیری ماشین است؛ زیرا براساس یادگیری داده‌هاست.

 

شبکه‌های عصبی کانولوشن عمیق، یک نوع روش یادگیری عمیق می‌باشند که در آن فیلترها قابل تعویض هستند و عملیات ادغام بر روی تصاویر ورودی اعمال می‌شود و مجموعه‌ای سطح بالا از ویژگی‌ها را به‌صورت خودکار استخراج می‌کند (۹). استخراج سطح بالای این ویژگی‌ها باعث می‌شود تا مفاهیم گسترده و پیچیده به مفاهیم ساده‌تری تقسیم شود که این مفاهیم ساده، ماشین را قادر به تصمیم‌گیری برای آنها می‌سازد و بدین‌ترتیب نیازی به نظارت کامل انسان برای مشخص‌کردن اطلاعات لازم ماشین در هر لحظه نیست. در یادگیری عمیق، ویژگی‌های غیرخطی چندین لایه استخراج می‌شوند و به یک دسته‌بند اعمال شده و آن هم این ویژگی‌ها را با هم ترکیب می‌کند تا بتواند یک پیش‌بینی انجام دهد. [۲] از این رو در این تحقیق سعی در تشخیص سرطان با استفاده از پردازش تصویر و  انالیز تصاویر ریزآبه داریم.

برخی از مراجع

Jinnai, Shunichi, et al. “The development of a skin cancer classification system for pigmented skin lesions using deep learning.” Biomolecules 10.8 (2020): 1123.

Han, Seung Seog, et al. “Keratinocytic skin cancer detection on the face using region-based convolutional neural network.” JAMA dermatology ۱۵۶٫۱ (۲۰۲۰): ۲۹-۳۷٫

Kadampur, Mohammad Ali, and Sulaiman Al Riyaee. “Skin cancer detection: Applying a deep learning based model driven architecture in the cloud for classifying dermal cell images.” Informatics in Medicine Unlocked 18 (2020): 100282.

Demirci, Sercan, Durmuş Özkan Şahin, and Ibrahim Halil Toprak. “Android-Based Skin Cancer Recognition System Using Convolutional Neural Network.” Diagnostic Applications of Health Intelligence and Surveillance Systems. IGI Global, 2021. 59-85.

 Alquran, Hiam, et al. “The melanoma skin cancer detection and classification using support vector machine.” ۲۰۱۷ IEEE Jordan Conference on Applied Electrical Engineering and Computing Technologies (AEECT). IEEE, 2017.

Dimitrios, Christodoulou. Skin Cancer Detection using Image Processing Techniques in Reconfigurable Hardware. Diss. University of Thessaly, 2021.