1. بیان مساله اساسی تحقیق
2. اهمیت و ضرورت انجام تحقیق
3. مرور ادبیات و سوابق مربوطه
4. جنبه جدید بودن و نوآوری در تحقیق
5. اهداف مشخص تحقیق
6. سؤالات تحقیق
7. فرضیه ‏های تحقیق
8. روش شناسی تحقیق
9. متغیرهای مورد بررسی در قالب یک مدل مفهومی
10. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
11. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
12. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها  کشف تقلب
13. مراجع

سرطان ملانوم یکی از انواع سرطان های کشنده است که بروز آن در تمامی نقاط دنیا، با افزایش روبرو بوده است . در سال ۲۰۱۸، نزدیک به سیصد هزار مورد جدید این سرطان در دنیا گزارش شد و تعداد موارد مرگ و میر ناشی از آن بیش از  ۶۰٫۰۰۰مورد بوده است. این سرطان در صورتی که در مراحل اولیه تشخیص و درمان شود، نرخ بقا بیماران تقریبا ۱۰۰% است. بنابراین تشخیص اولیه، در درمان ملانوم بسیار اهمیت دارد. تشخیص خودکار سرطان پوست

 روشهای متعددی برای  تشخیص این نوع سرطان وجود دارد که به دو دسته تهاجمی و غیرتهاجمی تقسیم می شود. در گذشته پزشکان از روش تهاجمی مانند بیوپسی برای تشخیص نوع سرطان استفاده می کردند. اما از آنجا که بیوپسی یک عمل جراحی پرهزینه و وقت گیر است، تکنیک‌های تشخیص غیرتهاجمی مورد توجه محققان قرار گرفته است.  پردازش تصویر  یکی از روشهای شناسایی و تشخیص ملانوما  است که به دلیل غیرتهاجمی بودن آن به طور فزاینده‌ای  به یک ابزار تشخیصی کارآمد برای تفسیر دقیق تصاویر پزشکی تبدیل شده است.  بنابراین می توان درمان زودرس و مناسب را برای بیمار انجام داد.

در این تحقیق ، ما یک روش کارآمد برای تشخیص و طبقه بندی سرطان پوست ملانوما با استفاده از  تکنیک پردازش تصویر  و شبکه‌های عصبی پیچشی  (کانولوشن) بر روی تصاویر درماتوسکوپی پیشنهاد می دهیم.  سیستم پیشنهادی برای تشخیص ضایعه پوستی از یک قطعه بندی کننده تصویر مبتنی بر شبکه عصبی پیچشی برای بخش بندی تصویر و از یک دسته بندی کننده شبکه عصبی پیچشی برای دسته کردن و کلاس بندی ضایعات پوستی استفاده می کند. مراحل روش پیشنهادی در تصویر زیر آمده است.

1. Alickovic, E., & Subasi, A. (2019, May). Normalized Neural Networks for Breast Cancer Classification. In International Conference on Medical and Biological Engineering (pp. 519-524). Springer, Cham.
2. Chanda, P. B., & Sarkar, S. K. (2020). Detection and Classification of Breast Cancer in Mammographic Images Using Efficient Image Segmentation Technique. In Advances in Control, Signal Processing and Energy Systems (pp. 107-117). Springer, Singapore.
3. Heller, N., Bussman, E., Shah, A., Dean, J., & Papanikolopoulos, N. (2018). Computer Aided Diagnosis of Skin Lesions from Morphological Features.
4. Singh, V. K., Rashwan, H. A., Romani, S., Akram, F., Pandey, N., Sarker, M. M. K., … & Torrents-Barrena, J. (2020). Breast tumor segmentation and shape classification in mammograms using generative adversarial and convolutional neural network. Expert Systems with Applications, ۱۳۹, ۱۱۲۸۵۵٫