Classification of Dermoscopy Images for Early Detection of Skin Cancer – A Review

Mohammed, E Fouda; Mukti, E

doi:10.5120/ijca2019918986

Cited by 4 publications

(3 citation statements)

References 43 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Furthermore, texture analysis applications have been widely applied in the medical research for the detection of various diseases including: tumor heterogeneity [9], [17], [18]; brain tumor [19], [20]; head and neck cancer [21], [22]; emphysema [23], [24]; prostate segmentation [25]- [27], colon cancer [28], [29]; small vessel disease and blood brain barrier [30], breast cancer [31]- [34]; skin cancer [35]- [37] retinal vessel segmentation [38], [39] and lung cancer [40], [41].…”

Section: A Related Workmentioning

confidence: 99%

Image Texture Analysis for Medical Image Mining: A Comparative Study Direct to Osteoarthritis Classification using Knee X-ray Image

Chan¹,

Dittakan²,

García-Constantino³

2020

Int. J. Adv. Sci. Eng. Inf. Technol.

View full text Add to dashboard Cite

Knee Osteoarthritis (OA) is one of the most prominent diseases in an ageing society and has affected over 10 million people in Thailand. When people suffer from OA, it is very difficult to recover. Therefore, early detection and prevention are important. The typical way to detect OA is by using X-ray imaging. This research study is focused on early detection of OA by applying image processing and classification techniques to knee X-ray imagery. The fundamental concept is to find a region of interest, use feature extraction techniques and build a classifier that can classify between OA or non-OA imageries. There are four regions of interest obtained from each image: (i) Medial Femur (MF), (ii) Lateral Femur (LF), (iii) Medial Tibia (MT), and (iv) Lateral Tibia (LT). The ten texture analysis techniques are then adopted to generate the embedded properties of the bone surface. Once the feature vector has been generated the variety of techniques of machine learning mechanisms are applied to generate the desired classifiers, which can be used to distinguish between OA and non-OA images. From the conducted experiments, a total of 131 images (68 OA cases and 63 non-OA cases) was used, the results obtained show that LF region with Local Binary Pattern descriptor produced the most appropriate classifier with an AUC value of 0.912.

show abstract

Section: A Related Workmentioning

confidence: 99%

Image Texture Analysis for Medical Image Mining: A Comparative Study Direct to Osteoarthritis Classification using Knee X-ray Image

Chan¹,

Dittakan²,

García-Constantino³

2020

Int. J. Adv. Sci. Eng. Inf. Technol.

View full text Add to dashboard Cite

show abstract

“…Özellikle cilt kanserleri gibi kanser türlerinde erken evrelerde teşhis edilen lezyonlar için daha başarılı sonuçlar elde edebilir [7]. Bilgisayar destekli teşhis sistemleri, bu erken teşhis hedefine ulaşmada büyük bir potansiyele sahiptir [6,8].…”

Section: Introductionunclassified

Dermoskopik Görüntü Sınıflandırmada Temel Veri Artırım Yöntemlerinin Değerlendirilmesi

2023

Proceeding Book of 1st International Conference on Recent and Innovative Results in Engineering and Technology Icriret 2023

View full text Add to dashboard Cite

Özet -Dermoskopik görüntü sınıflandırması, cilt lezyonlarının tespiti ve teşhisi için hayati önem taşıyan bir süreçtir. Ancak, sınırlı veri ve sınıf dengesizliği gibi faktörler, derin öğrenme modellerinin performansını olumsuz etkileyebilmektedir. Bu zorlukların üstesinden gelmek ve sınıflandırma doğruluğunu artırmak amacıyla veri artırımı giderek daha fazla önem kazanmaktadır. Veri artırımı, mevcut veri kümesini çeşitlendirerek modelin daha genelleyici olmasını sağlayan bir tekniktir. Bu çalışmada, parlaklık, zıtlık, yansımalar, ton ve rastgele kesimler gibi geleneksel veri artırım yöntemleri incelenmiştir. Bu yöntemler, görüntülerdeki ışık, renk ve perspektif gibi özellikleri değiştirerek modelin farklı varyasyonlara karşı daha dayanıklı hale gelmesini amaçlar. Çalışma kapsamında, üç farklı derin öğrenme mimarisi (DenseNet-201, ResNet-152 ve InceptionV3) kullanılarak, veri artırım yöntemlerinin bir arada kullanıldıklarındaki etkinlikleri değerlendirilmiştir. Dermoskopik görüntü sınıflandırmasının başarısı, hem doğru etiketlenmiş hem de geniş bir veri kümesine dayanır. Bu nedenle veri artırımı, modelin daha çeşitli ve gerçekçi örneklerle eğitilmesini sağlayarak sınıflandırma performansını artırabilir. Sonuç olarak, bu çalışma, dermoskopik görüntü sınıflandırmasında veri artırımının önemini vurgulamakta ve farklı veri artırım yöntemlerinin derin öğrenme modelleriyle bir arada kullanılmasının potansiyelini incelemektedir. PH 2 veri kümesi üzerinde gerçekleştirilen deneysel analizler, farklı geleneksel veri artırım yöntemlerinin bir arada kullanılması ile elde edilen topluluk yaklaşımı tabanlı veri artırımı yöntemlerinin, daha yüksek başarım elde edilmesini sağladığını göstermektedir.

show abstract

“…Nowadays, novel approaches are frequently used to diagnose skin cancer [9]. Artificial intelligence and image processing are new methods for diagnosing skin cancer.…”

Section: Introductionmentioning

confidence: 99%

Cilt Kanseri Görüntülerinde FCN8-ResNetC ve Görüntü İşleme ile Kıl Temizliği ve Lezyon Bölütleme

AKYEL

Arıcı

2022

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

Skin cancer is quite common. Early detection is crucial for the treatment of skin cancer. Methods based on computer technology (deep learning, image processing) are now increasingly used to diagnose skin cancer. These methods can eliminate human error in the diagnostic process. Removing hair noise from lesion images is essential for accurate segmentation. A correctly segmented lesion image increases the success rate in diagnosing skin cancer. In this study, a new FCN8-based approach for hair removal and segmentation in skin cancer images is presented. Higher success was achieved by adding ResNetC to FCN8. ResNetC is a new model based on ResNet. Two datasets were used for the study: ISIC 2018 and PH2. Training success was 89.380% for hair removal and 97.050% for lesion segmentation. 3000 hair masks were created as part of the study to remove hair noise in the lesion images.

show abstract

Classification of Dermoscopy Images for Early Detection of Skin Cancer – A Review

Cited by 4 publications

References 43 publications

Image Texture Analysis for Medical Image Mining: A Comparative Study Direct to Osteoarthritis Classification using Knee X-ray Image

Image Texture Analysis for Medical Image Mining: A Comparative Study Direct to Osteoarthritis Classification using Knee X-ray Image

Dermoskopik Görüntü Sınıflandırmada Temel Veri Artırım Yöntemlerinin Değerlendirilmesi

Cilt Kanseri Görüntülerinde FCN8-ResNetC ve Görüntü İşleme ile Kıl Temizliği ve Lezyon Bölütleme

Contact Info

Product

Resources

About