fa شناسایی هوشمند سرطان پوست آکتینیک کراتوزیس و کارسینومای سلول سنگفرشی با استفاده از ویژگی‌های خطی و غیر‌خطی بر پایه تکنیک‌های پردازش تصویر هوش مصنوعی در حوزه سلامت Artificial Intelligence in Healthcare پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="line-height:2;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="color:#000000;"><strong>مقدمه:</strong> اکثر سرطان‌های پوست در مراحل ابتدایی قابل درمان هستند، بنابراین یک تشخیص زودهنگام و سریع می‌تواند برای نجات جان بیماران بسیار حائز اهمیت باشد. امروزه&nbsp; با کمک هوش مصنوعی، تشخیص زودهنگام سرطان در مراحل ابتدایی ممکن شده است.<span dir="LTR"><span style="color:black;"></span></span><br> <strong>روش:</strong> در این پژوهش توصیفی-تحلیلی، یک سیستم کامپیوتری تشخیصی بر پایه تکنیک‌های پردازش تصویر ارائه شد که برای بیمار بسیار سودمندتر است. در این روش، تصاویر درموسکوپی ثبت شده از دو نوع سرطان آکتینیک کراتوزیس و سرطان کارسینومای سلول سنگفرشی توسط تکنیک‌های پیش‌پردازش بهبود داده شدند و نویزهای احتمالی موجود در آن‌ها حذف شد، سپس توسط روش آستانه‌گذاری بخش‌بندی شدند تا محدوده ضایعه از پوست زمینه جدا شود. در ادامه از این محدوده بخش‌بندی شده اطلاعات و ویژگی‌های بافتی، شکلی و رنگی استخراج شد. در انتها به کمک روش کاهش ویژگی و ماشین بردار پشتیبان (<span dir="LTR">Support Vector Machine</span>)‌ <span dir="LTR">SVM</span> به ارزیابی کیفی و کمی روش پیشنهادی پرداخته شد.<span style="font-family:B Mitra;"></span><br> <strong>نتایج</strong><strong>:</strong> داده‌های این مطالعه شامل 100 نمونه تصویر آکتینیک کراتوزیس و 100 نمونه کارسینومای سلول سنگفرشی بود. نتایج مطالعه حاضر نشان داد استفاده از روش الگوریتم ژنتیک به کمک روش ماشین بردار پشتیبان توانست نوع سرطان پوست را با صحت 0/4&plusmn;99/7% شناسایی کند.<span dir="LTR"></span><br> <strong>نتیجه‌گیری:</strong> تأثیر حضور ویژگی‌های بافتی متفاوت در امر تشخیص نوع ضایعه نشان داد هرچه میزان و تنوع ویژگی‌های استخراج شده از نمونه‌ها بیشتر باشد، آموزش سیستم بهتر و آنالیز دقیق‌تری صورت می‌گیرد.</span></span></span></span><span dir="LTR"></span></div> <div style="text-align: justify;"><span style="line-height:2;"><span style="font-family:Tahoma;"><span style="font-size:12px;"><span style="color:#000000;"><strong>Introduction:</strong> Most skin cancers are treatable in the early stages; thus, an early and rapid diagnosis can be very important to save patients&rsquo; lives. Today, with artificial intelligence, early detection of cancer in the initial stages is possible.<br> <strong>Method:</strong> In this descriptive-analytical study, a computerized diagnostic system based on image processing techniques was presented, which is much more helpful for the patient. In this method, dermoscopic images of actinic keratosis and squamous cell carcinoma were improved by preprocessing techniques and the potential noises were removed. Then, segmentation was performed using the thresholding method to separate the lesion from the underlying skin. Thereafter, from the segmented area, texture, shape, and color information and features were extracted. Finally, the feature reduction method and support vector machine (SVM) were used to evaluate the proposed method qualitatively and quantitatively.<br> <strong>Results:</strong> The data in this study included 100 samples of actinic keratosis images and 100 samples of squamous cell carcinoma. The results of the present study showed that using the genetic algorithm method together with the support vector machine method could help identify the type of skin cancer with 99.7 &plusmn; 0.4% accuracy.<br> <strong>Conclusion:</strong> The effect of different tissue features in diagnosing the type of lesion showed an increase in the amount and variety of features extracted from the samples would lead to better training and more accurate analysis of the system.</span></span></span></span></div> سرطان پوست, آکتینیک کراتوزیس, کارسینومای سلول سنگ فرشی, پردازش تصویر, شناسایی هوشمند Skin Cancer, Actinic Keratosis, Squamous Cell Carcinoma, Image Processing, Intelligent Diagnosis 67 83 http://jhbmi.ir/browse.php?a_code=A-10-793-1&slc_lang=fa&sid=1 Naghashzargar Nazanin نازنین نقاش زرگر t_tarjome@yahoo.com 10031947532846009816 10031947532846009816 No M.Sc. in Biomedical Engineering, Biomedical Engineering Dept., Faculty of Engineering, South Tehran Branch, Islamic Azad University, Iran کارشناسی ارشد مهندسی پزشکی، گروه مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران Mohammad Karimi Moridani محمد کریمی مریدانی mkarimi.bme@gmail.com 10031947532846009817 10031947532846009817 Yes Ph.D. in Biomedical Engineering, Assistant Professor, Biomedical Engineering Dept., Faculty of Health and Biomedical Engineering, Tehran Medical Sciences, Islamic Azad University, Tehran, Iran دکتری مهندسی پزشکی، استادیار، گروه مهندسی پزشکی، دانشکده بهداشت و مهندسی پزشکی، دانشگاه علوم پزشکی آزاد اسلامی تهران، تهران، ایران Hamidreza Mahmoudi حمیدرضا محمودی mprofessionalmaster@yahoo.com 10031947532846009818 10031947532846009818 No M.D., Associate Professor, Dermatology Dept., Tehran University of Medical Sciences, Tehran, Iran دکتری پزشکی، دانشیار، گروه پوست، دانشگاه علوم پزشکی تهران، تهران، ایران