بخش بندی ملانوما و دیگر عارضه های رنگی پوست در تصاویر درموسکپی با استفاده از ترکیب روش های آستانه گذاری مبتنی برالگوریتم یادگیری تقویتی

تصاویر درموسکپی یکی از ابزارهای اصلی مورد استفاده در تشخیص ملانوما و دیگر عارضه های رنگی پوست به شمار می رود. به علت سختی و عوامل ادراکی در تشخیص های انسانی، تحلیل کامپیوتری تصاویر درموسکپی یک زمینه جدید تحقیقاتی را به روی محققین گشوده است. یکی از مراحل اصلی در تحلیل این تصاویر، آشکارسازی خودکار مرز عارضه می باشد. یافتن یک آستانه بهینه برای بخش بندی تصاویر دیجیتالی یک کار دشوار در پردازش تصویر می باشد. در این تحقیق یک روش آستانه گذاری جدید مبتنی بر روش های آستانه گذاری مطرح و الگوریتم یادگیری تقویتی جهت بخش بندی تصاویر درموسکپی ارائه می گردد. در این روش، عامل تقویتی الگوریتم یادگیری، وزن های بهینه مربوط به آستانه های مختلف را آموزش می بیند و تصویر را توسط آستانه بهینه بخش بندی می کند. یک تابع پاداش برای محاسبه میزان شباهت بین تصویر باینری خروجی و تصویر سطح خاکستری اصلی به کار برده می شود تا میزان پاداش یا جریمه را به عامل تقویتی اعمال کند. از سه روش آستانه گذاری Otsu، Kittler و Kapur جهت ترکیب در عامل تقویتی استفاده می گردد. نتایج بخش بندی با استفاده از اندازه گیری خطا براساس تصاویری که توسط متخصصین پوست بخش بندی شده اند، مقایسه می گردند. مقایسه نتایج حاصل با روش های خودکار ارائه شده در مقالات، بیانگر بهبود دقت و کاهش خطا در آشکارسازی مرز عارضه در تصاویر درموسکپی است.