“Melanoma is a serious form of skin cancer that begins in cells known as melanocytes and more dangerous due to its spreading ability to other organs more rapidly if it is not treated at an early stage”. This paper aims to propose a Melanoma detection methodology that includes four major phases: “(i) pre-processing (ii) segmentation (iii) the proposed feature extraction and (iv) classification”. Initially, pre-processing is performed, where the input image is subjected to processing like resizing and edge smoothening. Subsequently, segmentation is carried out by the Otsu thresholding process. In the feature extraction phase, the proposed Higher-Order Standardized Moment Induced-Local Binary Patterns (HOSMI-LBP)-based features are extracted. These features are then subjected to a classification process for classifying the disease. For this, it is planned to use a hybrid classification framework, where the Convolutional Neural Network (CNN) and the Neural Network (NN) are deployed. Two-phase of classification gets processed: the extracted features are subjected to NN; the input image is directly classified using an optimized CNN framework. Finally, the classified outputs from NN and optimized CNN are averaged and the final output is considered as detected output. Particularly, the weight and initial rate of CNN is optimized using the proposed algorithm known as the Sea Lion Integrated Grey Wolf Algorithm (SLI-GWO) method that hybrid the concepts of both Sea Lion Optimization (SLnO) and Grey Wolf Optimization (GWO) algorithm. At last, the proposed work performance is computed with traditional systems in terms of various measures.

中文翻译：

---

使用混合深度学习模型进行基于 HOSMI-LBP 的特征提取用于黑色素瘤检测

“黑色素瘤是一种严重的皮肤癌形式，始于称为黑色素细胞的细胞，如果不及早治疗，它会更快地扩散到其他器官，因此更加危险”。本文旨在提出一种黑色素瘤检测方法，包括四个主要阶段：“（i）预处理（ii）分割（iii）提出的特征提取和（iv）分类”。最初，执行预处理，对输入图像进行调整大小和边缘平滑等处理。随后，通过 Otsu 阈值处理进行分割。在特征提取阶段，提取了基于高阶标准化矩诱导局部二进制模式 (HOSMI-LBP) 的特征。然后对这些特征进行分类过程以对疾病进行分类。为了这，计划使用混合分类框架，其中部署了卷积神经网络（CNN）和神经网络（NN）。分类的两阶段处理：提取的特征进行神经网络；使用优化的 CNN 框架直接对输入图像进行分类。最后，对来自 NN 和优化 CNN 的分类输出进行平均，并将最终输出视为检测输出。特别是，CNN 的权重和初始速率使用被称为海狮集成灰狼算法 (SLI-GWO) 方法的算法进行了优化，该算法混合了海狮优化 (SLnO) 和灰狼优化 (GWO) 算法的概念. 最后，使用传统系统根据各种措施计算建议的工作绩效。其中部署了卷积神经网络（CNN）和神经网络（NN）。分类的两阶段处理：提取的特征进行神经网络；使用优化的 CNN 框架直接对输入图像进行分类。最后，对来自 NN 和优化 CNN 的分类输出进行平均，并将最终输出视为检测输出。特别是，CNN 的权重和初始速率使用被称为海狮集成灰狼算法 (SLI-GWO) 方法的算法进行了优化，该算法混合了海狮优化 (SLnO) 和灰狼优化 (GWO) 算法的概念. 最后，使用传统系统根据各种措施计算建议的工作绩效。其中部署了卷积神经网络（CNN）和神经网络（NN）。分类的两阶段处理：提取的特征进行神经网络；使用优化的 CNN 框架直接对输入图像进行分类。最后，对来自 NN 和优化 CNN 的分类输出进行平均，并将最终输出视为检测输出。特别是，CNN 的权重和初始速率使用被称为海狮集成灰狼算法 (SLI-GWO) 方法的算法进行了优化，该算法混合了海狮优化 (SLnO) 和灰狼优化 (GWO) 算法的概念. 最后，使用传统系统根据各种措施计算建议的工作绩效。分类的两阶段处理：提取的特征进行神经网络；使用优化的 CNN 框架直接对输入图像进行分类。最后，对来自 NN 和优化 CNN 的分类输出进行平均，并将最终输出视为检测输出。特别是，CNN 的权重和初始速率使用被称为海狮集成灰狼算法 (SLI-GWO) 方法的算法进行了优化，该算法混合了海狮优化 (SLnO) 和灰狼优化 (GWO) 算法的概念. 最后，使用传统系统根据各种措施计算建议的工作绩效。分类的两阶段处理：提取的特征进行神经网络；使用优化的 CNN 框架直接对输入图像进行分类。最后，对来自 NN 和优化 CNN 的分类输出进行平均，并将最终输出视为检测输出。特别是，CNN 的权重和初始速率使用被称为海狮集成灰狼算法 (SLI-GWO) 方法的算法进行了优化，该算法混合了海狮优化 (SLnO) 和灰狼优化 (GWO) 算法的概念. 最后，使用传统系统根据各种措施计算建议的工作绩效。来自NN和优化CNN的分类输出被平均，最终输出被认为是检测输出。特别是，CNN 的权重和初始速率使用被称为海狮集成灰狼算法 (SLI-GWO) 方法的算法进行了优化，该算法混合了海狮优化 (SLnO) 和灰狼优化 (GWO) 算法的概念. 最后，使用传统系统根据各种措施计算建议的工作绩效。来自NN和优化CNN的分类输出被平均，最终输出被认为是检测输出。特别是，CNN 的权重和初始速率使用被称为海狮集成灰狼算法 (SLI-GWO) 方法的算法进行了优化，该算法混合了海狮优化 (SLnO) 和灰狼优化 (GWO) 算法的概念. 最后，使用传统系统根据各种措施计算建议的工作绩效。