Melanoma Recognition
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F22%3A00552810" target="_blank" >RIV/67985556:_____/22:00552810 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.5220/0000156800003124" target="_blank" >http://dx.doi.org/10.5220/0000156800003124</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.5220/0000156800003124" target="_blank" >10.5220/0000156800003124</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Melanoma Recognition
Popis výsledku v původním jazyce
Early and reliable melanoma detection is one of today's significant challenges for dermatologists to allow successfulncancer treatment. This paper introduces multispectral rotationally invariant textural features of the Markovian type applied to effective skin cancerous lesions classification.nPresented texture features are inferred from the descriptive multispectral circular wide-sense Markov model. Unlike the alternative texture-based recognition methods, mainly using different discriminative textural descriptions, our textural representation is fully descriptive multispectral and rotationally invariant. The presented method achieves highnaccuracy for skin lesion categorization. We tested our classifier on the open-source dermoscopic ISIC database, containing 23 901 benign or malignant lesions images, where the classifier outperformed several deep neural network alternatives while using smaller training data.
Název v anglickém jazyce
Melanoma Recognition
Popis výsledku anglicky
Early and reliable melanoma detection is one of today's significant challenges for dermatologists to allow successfulncancer treatment. This paper introduces multispectral rotationally invariant textural features of the Markovian type applied to effective skin cancerous lesions classification.nPresented texture features are inferred from the descriptive multispectral circular wide-sense Markov model. Unlike the alternative texture-based recognition methods, mainly using different discriminative textural descriptions, our textural representation is fully descriptive multispectral and rotationally invariant. The presented method achieves highnaccuracy for skin lesion categorization. We tested our classifier on the open-source dermoscopic ISIC database, containing 23 901 benign or malignant lesions images, where the classifier outperformed several deep neural network alternatives while using smaller training data.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
<a href="/cs/project/GA19-12340S" target="_blank" >GA19-12340S: Rozpoznávání povrchových materiálů při proměnlivých podmínkách optického pozorování</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the 17th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications
ISBN
978-989-758-555-5
ISSN
2184-4321
e-ISSN
—
Počet stran výsledku
8
Strana od-do
722-729
Název nakladatele
Scitepress - Science and Technology Publications, Lda
Místo vydání
Setúbal
Místo konání akce
Setúbal - online
Datum konání akce
6. 2. 2022
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—