Diagnosis of Skin Cancer Using Machine Learning Techniques

Abstract

سرطان الجلد هو أسرع الأنواع نموا ومميتا في عالم السرطان. وأهم هذه الأورام هو سرطان الجلد ميلانوما الخبيث . سرطان الجلد ميلانوما الخبيث هو واحد من التهديدات المتزايدة في العالم المتقدم، والتي يمكن أن تؤدي إلى زيادة معدل الوفيات. الخطر الرئيسي من سرطان الجلد هو قدرته على النمو في أي جزء في الجسم عن طريق الأوعية اللمفاوية والأوعية الدموية، مما يجعل من الصعب تشخيص في مراحله الأولى. وعلى هذا النحو، فإن معدلات الوفيات تزداد في الوقت الذي يتم فيه تشخيص سرطان الجلد ميلانوما في مراحله الأخيرة. لذلك، التشخيص المبكر لسرطان الجلد ميلانوما الخبيثة في مراحله المبكرة أمر حاسم للحد من الوفيات ونسبة انتشار المرض. في الوقت الحاضر، دعم القرار الطبي توظف تكنولوجيا الكمبيوتر، مما يساعد طبيب الأمراض الجلدية للتمييز سرطان الجلد الخبيث من الحميد. هذه التكنولوجيا يستغرق وقتا أقل، ويعطي التشخيص الدقيق مع انخفاض نسبة الأخطاء. وتنقسم هذه الاطروحة إلى قسمين. يلخص القسم الأول الدراسات السابقة على تقنيات التعلم الآلي لعلوم التشخيص في التصوير الطبي، ويركز على عرض الدراسات السابقة التي تعتمد على أنظمة للتشخٌص بمساعدة الحاسوب (Computer Aided Diagnosis) التي تنفذ في تحديد وتشخيص سرطان الجلد ميلانوما الخبيث من الصور ديرموسكوبي مع التركيز على تحليل الصور بمساعدة الحاسوب بدءا من الحصول على الصور والمعالجه المسبقة قبل تصنيفها وانتهاءاً بتصنيف سرطان الجلد ميلانوما الخبيث من الصور ديرموسكوبي. يتم شرح التقنيات المستخدمة في كل خطوة، ويتم تحديد فوائدها وحدودها. وبصرف النظر عن ذلك، يتم مقارنة أداء عدد من المصنفات وضعت خصيصا لتشخيص سرطان الجلد ميلانوما الخبيث. ويستند القسم الثاني على المنهجيات المختلفة للتشخيص بمساعدة الحاسوب على مشكلة الكشف عن سرطان الجلد ميلانوما الخبيث باستخدام تقنيات التعلم الآلي ونهج التعلم العميق من الصور المجهرية وديرموسكوبيك. وتتكون هذه المنهجيات من أربع مراحل: اكتساب الصور، والمعالجة المسبقة، واستخراج الخصائص، التصنيف و التقييم. وتستخدم مجموعات مختلفة من المجهرية والديرموسكوبية. يتم تنفيذ تقنيات مختلفة في مرحلة ما قبل المعالجة مثل: العمليات الشكلية(Morphological operation) ,مرشح المتوسط (Median Filter) وضبط التباين (contrast Adjustment). تشمل الاساليب الثلاثة المقترحة لاستخراج الميزات والخصائص تحويل الموجات المنفصلة (Discrete Wavelet Transform),تحليل المكونات الاساسية (Principle Component Analysis) والملمسية texture. هذه الميزات بمثابة المدخلات لطرق التصنيف المختلفة مثل :الشبكة العصبية المختلفة (Neural Networks Artificial) ,اقرب جار 𝐾-Nearest Neighbor)) ,دعم المتجهات الالي (Support Vector machine) , العصبي الغامض (Fuzzy-(Neuro, شجرة الانقسام (Decision Tree), النظرية التي تعتمد على الاحتمالية (Naïve Bayes), والتعلم العميق(Deep Learning) . تم إجراء اختبارات إحصائية مختلفة لتحليل الصور المجهرية و ديرموسكوبي ، والتحقق من صحة الدقة في مقارنة تقنيات التعلم الآلي. كما يتم توفير ضمان موثوقية الدراسة.