پیشنهاده کارشناسی ارشد 1401
پدیدآور: شیرین صادقی ماژین
استاد راهنما: محمدرضا ولیزاده 
استاد مشاور: حشمت مرادحاصلی
دانشگاه الزهرا (س)، دانشکده فیزیک و شیمی
چکیده

سرطان پوست از کشنده‌ترین انواع سرطان بوده که در بیشتر موارد برای درمان آن نیاز به جراحی می‌باشد. با این وجود، در حدود 20 درصد موارد، جراحی نیز نمی‌تواند این بیماری کشنده را درمان کند. سرطان پوست، به تنهایی عامل مرگ بیش از 50000 بیمار در سراسر جهان است. قرار گرفتن پوست بدون محافظ در معرض اشعه ماوراء بنفش علت اصلی سرطان پوست است. در اکثر کشورهای توسعه یافته، بیماران مبتلا به سرطان پوست با نرخ بسیار بالایی تشخیص داده می‌شوند. از طرفی تحقیقات انجام شده پیشین نشان می‌دهد که تشخیص زودهنگام سرطان پوست نقش مهمی در درمان موفقیت آمیز آن دارد . علائم سرطان پوست اغلب بصورت ضایعه‌های پوستی خود را نشان می‌دهند که فقط توسط متخصصین پوست قابل شناسایی می‌باشند؛ زیرا شباهت زیادی با ضایعات خوش خیم دارد. متخصصان پوست، در کنار نمونه برداری از پوست بعنوان یک استاندارد طلایی؛ از چندین تکنیک کمّی مانند قانون ABCD، چک لیست 7 نقطه‌ای، چک لیست 3 نقطه‌ای و ... برای شناسایی سرطان پوست در مراحل اولیه استفاده می‌کنند. اما تحقیقات صورت گرفته در سال‌های اخیر نشان داده‌اند که تکنیک‌های خودکار مانند بینایی ماشین، یادگیری ماشین و یادگیری عمیق می‌توانند نقشی مهم در تشخیص سرطان پوست ایفا کنند. این قابلیت‌ها موجب شده است تا در سال‌های اخیر شاهد تکنیک‌های مختلفی برای تشخیص خودکار سرطان پوست باشیم. اما با این وجود، دقت نسبتاً پایین این روش‌ها نشان می‌دهد که همچنان با یک سیستم ایده‌آل تشخیص خودکار فاصله داریم. در این تحقیق قصد داریم از تکنیک‌های یادگیری عمیق برای حل مسئله تشخیص سرطان پوست استفاده کنیم. در روش پیشنهادی، ابتدا تصاویر ورودی پیش‌پردازش شده و به یک قالب استاندارد جهش پردازش در گام‌های بعدی تبدیل خواهد شد. سپس از ترکیب تکنیک‌های خوشه‌بندی و عملگرهای مورفولوژی به منظور شناسایی نواحی مشکوک به ضایعه استفاده خواهد شد. در این گام، ابتدا تصویر ورودی توسط یک الگوریتم خوشه‌بندی مانند K-Means قطعه‌بندی شده و سپس ویژگی های مرتبط با شکل هر ناحیه با استفاده از عمگرهای مورفولوژی استخراج شده و نواحی مشکوک به ضایعه از طریق تجزیه و تحلیل ویژگی‌های آنها شناسایی خواهد شد. در انتها از یک شبکه عصبی کانولوشن (CNN ) به منظور طبقه‌بندی هر ناحیه استفاده شده و تشخیص بیماری از طریق پردازش ویژگی های استخراج شده از این نواحی انجام می شود.