Počet záznamů: 1
Melanoma Recognition
- 1.
SYSNO ASEP 0552810 Druh ASEP C - Konferenční příspěvek (mezinárodní konf.) Zařazení RIV D - Článek ve sborníku Název Melanoma Recognition Tvůrce(i) Haindl, Michal (UTIA-B) RID, ORCID
Žid, Pavel (UTIA-B) RID, ORCIDCelkový počet autorů 2 Číslo článku 268 Zdroj.dok. Proceedings of the 17th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications. - Setúbal : Scitepress - Science and Technology Publications, Lda, 2022 / Farinella G.M. ; Radeva P. ; Bouatouch K. - ISSN 2184-4321 - ISBN 978-989-758-555-5 Rozsah stran s. 722-729 Poč.str. 8 s. Forma vydání Tištěná - P Akce International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISIGRAPP 2022) /17./ Datum konání 06.02.2022 - 08.02.2022 Místo konání Setúbal - online Země PT - Portugalsko Typ akce WRD Jazyk dok. eng - angličtina Země vyd. PT - Portugalsko Klíč. slova Skin Cancer Recognition ; Melanoma Detection ; Circular Markov Random Field Model Vědní obor RIV BD - Teorie informace Obor OECD Automation and control systems CEP GA19-12340S GA ČR - Grantová agentura ČR Institucionální podpora UTIA-B - RVO:67985556 DOI 10.5220/0000156800003124 Anotace Early and reliable melanoma detection is one of today's significant challenges for dermatologists to allow successful
cancer treatment. This paper introduces multispectral rotationally invariant textural features of the Markovian type applied to effective skin cancerous lesions classification.
Presented 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 high
accuracy 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.Pracoviště Ústav teorie informace a automatizace Kontakt Markéta Votavová, votavova@utia.cas.cz, Tel.: 266 052 201. Rok sběru 2022
Počet záznamů: 1