منصة الرسائل والاطاريح: تصنيف صور سرطان الجلد باستخدام الشبكات العصبية الالتفافية

الخلاصة

على مدى العقدين الماضيين، ارتفعت معدلات الإصابة بسرطان الجلد، مما يجعل الكشف المبكر والعلاج السريع والفعال أمرًا حاسمًا لتحقيق معدلات شفاء أعلى، خاصة بالنسبة لسرطان الجلد الميلانيني. يعد العلاج في المراحل المبكرة نسبيًا بسيطًا، حيث يتضمن إزالة الآفة من الجلد المصاب. بالإضافة إلى ذلك، تكون تكاليف علاج سرطان الجلد في المراحل المبكرة معتدلة نسبيًا، ولكن مع تطور المرض، ترتفع التكاليف بسبب الآثار الجانبية الخطيرة الناجمة عن الأورام السرطانية. لمساعدة الأطباء والمرضى في التشخيص المبكر لسرطان الجلد الميلانيني وتحسين الموثوقية، تقدم هذه الرسالة طريقة استخدام التعلم العميق بموديل CNN لاكتشاف سرطان الجلد وتصنيفه في مراحله المبكرة. اذ تم اقتراح نهج التعلم العميق لتصنيف سرطان الجلد، حيث يُقدم نموذج CNN يتكون من 27 طبقة تم تصميمها لتحديد الخصائص في صور الآفات الجلدية وتصنيفها إلى فئات سرطان الجلد والفئات الغير ميلانينية. يشمل النموذج المقترح طبقات التفافية متعددة تستخدم مرشحات لاستخراج التفاصيل مثل الحواف والأشكال والأنماط من الصورة المدخلة. تستخدم طبقات التسوية الدفعية لتطبيع إخراج طبقات التفافية، مما يعزز سرعة عملية التعلم ويحمي من التكيف الزائد. تم تقييم أداء النموذج المقترح بناءً على مجموعات البيانات المتاحة من صور الامراض الجلدية، وأظهرت النتائج أداءً أفضل مقارنة بالعديد من الأساليب المتقدمة لتصنيف سرطان الجلد. نُفّذت أيضًا اختبارات لتحليل مساهمة كل طبقة في الأداء العام للنموذج. توضح النتائج التجريبية أن النموذج المقترح للـ CNN يفوق الأساليب الحالية. وفي الختام، يمكن للنهج المقترح في التعلم العميق باستخدام نموذج CNN بـ 27 طبقة أن يحسن دقة تصنيف الآفات الجلدية وكفاءتها. ويمكن تطبيقه في البيئات الطبية لمساعدة أطباء الأمراض الجلدية في الكشف المبكر عن سرطان الجلد.