4つの皮膚病変タイプの分類の固有ベクトル中心性アプローチを使用してランク付けされた、新しい累積レベルの違い平均GLDMおよび修正されたABCD機能

背景と目的：黒色腫は主要な死亡の原因の1つであり、基底細胞癌（BCC）は最大の入射皮膚病変タイプです。初期の段階では、医療専門家は、良性縁と色素性良性角膜（BKL）の両方のタイプの間で混乱する可能性があります。これにより、現在の研究は、正確な自動化されたユーザーフレンドリーな皮膚病変の識別システムを開発するようになりました。 方法：現在の作業は、4つの事前に言及された皮膚病変クラスの新しい識別技術を対象としています。グレーレベルの差異法（GLDM）に基づいた累積レベル差平均（CLDM）という名前の新しい提案されたテクスチャ機能が抽出されます。非対称性、境界の不規則性、色の変動、および直径は、ABCDルール特徴ベクトルが元々良性病変から黒色腫を分類するために使用されるため、要約されています。提案された方法により、ABCDルールが改善され、提案された修正-ABCD機能ベクトルを使用してBCCとBKLも分類しました。ABCD機能の変更されたセットでは、コンパクトインデックス、フラクタルディメンション、エッジの急増などの各境界機能が個別の機能と見なされます。次に、事前に挙げられた機能を持つ複合機能ベクトルは、固有ベクトルの中心性（ECFS）機能ランキング方法を使用してランク付けされます。ランク付けされた機能は、選択された機能のさまざまな数に対して、立方サポートベクターマシンによって分類されます。 結果：提案されたCLDMテクスチャ機能とランク付けされたABCD機能を組み合わせて、4つのターゲットクラス（Melanoma、BCC、Nevi、BKL）を分類するために優れたパフォーマンスを達成しました。結果は、最高7位の機能を使用する場合、他の機能と比較して、各クラスごとの感度、精度、特異性の100％未解決のパフォーマンスを報告しています。 結論：提案されたシステムは、メラノーマ、BCC、ネバス、およびBKLが、新しい機能セットを使用してCubic SVMを使用して効率的に分類されることを確立しました。さらに、比較研究では、4つのクラスを分類するための立方SVMの優位性が証明されました。

BACKGROUND AND OBJECTIVE: Melanoma is one of the major death causes while basal cell carcinoma (BCC) is the utmost incident skin lesion type. At their early stages, medical experts may be confused between both types with benign nevus and pigmented benign keratoses (BKL). This inspired the current study to develop an accurate automated, user-friendly skin lesion identification system. METHODS: The current work targets a novel discrimination technique of four pre-mentioned skin lesion classes. A novel proposed texture feature, named cumulative level-difference mean (CLDM) based on the gray-level difference method (GLDM) is extracted. The asymmetry, border irregularity, color variation and diameter are summed up as the ABCD rule feature vector is originally used to classify the melanoma from benign lesions. The proposed method improved the ABCD rule to also classify BCC and BKL by using the proposed modified-ABCD feature vector. In the modified set of ABCD features, each border feature, such as compact index, fractal dimension, and edge abruptness is considered a separate feature. Then, the composite feature vector having the pre-mentioned features is ranked using the Eigenvector Centrality (ECFS) feature ranking method. The ranked features are then classified by a cubic support vector machine for different numbers of selected features. RESULTS: The proposed CLDM texture features combined with the ranked ABCD features achieved outstanding performance to classify the four targeted classes (melanoma, BCC, nevi and BKL). The results report 100% outstanding performance of the sensitivity, accuracy and specificity per each class compared to other features when using the highest seven ranked features. CONCLUSIONS: The proposed system established that Melanoma, BCC, nevus and BKL are efficiently classified using cubic SVM with the new feature set. In addition, the comparative studies proved the superiority of the cubic SVM to classify the four classes.