مقاله انگلیسی یک تکنیک پیشرفته طبقه‌بندی سرطان پوست با استفاده از شبکه عصبی پیچشی عمیق
ترجمه نشده

مقاله انگلیسی یک تکنیک پیشرفته طبقه‌بندی سرطان پوست با استفاده از شبکه عصبی پیچشی عمیق

عنوان فارسی مقاله: یک تکنیک پیشرفته طبقه بندی سرطان پوست با استفاده از شبکه عصبی پیچشی عمیق با مدل های یادگیری انتقالی
عنوان انگلیسی مقاله: An enhanced technique of skin cancer classification using deep convolutional neural network with transfer learning models
مجله/کنفرانس: یادگیری ماشینی با کاربردهای آن - Machine Learning with Applications
رشته های تحصیلی مرتبط: پزشکی، سایبرنتیک پزشکی
گرایش های تحصیلی مرتبط: پوست و مو، ایمنی شناسی پزشکی، خون و آنکولوژی
کلمات کلیدی فارسی: سرطان پوست، پیش پردازش، شبکه عصبی پیچشی، طبقه بندی، انتقال یادگیری
کلمات کلیدی انگلیسی: Skin cancer - Pre-processing - Convolutional neural network - Classification - Transfer learning
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: DOAJ
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.mlwa.2021.100036
دانشگاه: Department of Biomedical Engineering, Islamic University, Bangladesh
صفحات مقاله انگلیسی: 8
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2021
ایمپکت فاکتور: _
شاخص H_index: _
شاخص SJR: _
شناسه ISSN: 2666-8270
شاخص Quartile (چارک): _
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: E15763
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست مطالب (انگلیسی)

Abstract
Keywords
Introduction
Literature review
Challenges of skin cancer detection
Materials and methods
Transfer learning with our proposed DCNN model
Training and performance
Result and discussion
Conclusion and future work
CRediT authorship contribution statement
Declaration of Competing Interest
Acknowledgment
References

بخشی از مقاله (انگلیسی)

Abstract
Skin cancer is one of the top three perilous types of cancer caused by damaged DNA that can cause death. This damaged DNA begins cells to grow uncontrollably and nowadays it is getting increased speedily. There exist some researches for the computerized analysis of malignancy in skin lesion images. However, analysis of these images is very challenging having some troublesome factors like light reflections from the skin surface, variations in color illumination, different shapes, and sizes of the lesions. As a result, evidential automatic recognition of skin cancer is valuable to build up the accuracy and proficiency of pathologists in the early stages. In this paper, we propose a deep convolutional neural network (DCNN) model based on deep learning approach for the accurate classification between benign and malignant skin lesions. In preprocessing we firstly, apply filter or kernel to remove noise and artifacts; secondly, normalize the input images and extract features that help for accurate classification; and finally, data augmentation increases the number of images that improves the accuracy of classification rate. To evaluate the performance of our proposed, DCNN model is compared with some transfer learning models such as AlexNet, ResNet, VGG-16, DenseNet, MobileNet, etc.The model is evaluated on the HAM10000 dataset and ultimately we obtained the highest 93.16% of training and 91.93% of testing accuracy respectively. The final outcomes of our proposed DCNN model define it asmore reliable and robust when compared with existing transfer learning models.
Introduction
1.1. Motivation Cancer is an extremist life threat to human life. It may sometimes cause certain death to the human. Different types of cancer may exist in the human body and skin cancer is one of the fastest-growing cancers that can cause death. It is provoked by some factors like smoking, alcohol usage, allergies, infections, viruses, physical activity, environmental change, exposure to ultraviolet (UV) light, and so on. The DNA inside the skin cells can be annihilated by the radiation of UV rays from the sun. In addition, unusual swellings of the human body are also a cause of skin cancer.