استفاده از شبکه‌های عصبی یادگیری عمیق در تشخیص درجه بدخیمی سرطان پروستات و تشخیص سرطان سینه

Authors

  • حسن فرسی استاد، دانشکده برق و کامپیوتر، دانشگاه بیرجند، بیرجند
  • سجاد محمدزاده استادیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران
  • صابر فولادی دانشجوی کارشناسی ارشد، دانشکده برق و کامپیوتر، دانشگاه بیرجند، بیرجند
Abstract:

مقدمه در سال­های اخیر علاقه به پژوهش در زمینه به­کارگیری الگوریتم­های هوشمند در تشخیص و طبقه­بندی بیماری­ها به ویژه سرطان، به شدت افزایش یافته است. طبقه­بندی تومور یک کار مهم در تشخیص پزشکی محسوب می­شود. روش­های محاسبات نرم­افزاری به دلیل عملکرد طبقه‌بندی آنها در تشخیص بیماری­های پزشکی اهمیت زیادی دارند. تشخیص و طبقه­بندی تصاویر پزشکی یک کار چالش برانگیز است. روش کار برای تشخیص درجه بدخیمی سرطان پروستات و خوش­خیم یا بد­خیم بودن سرطان سینه از طبقه­بندی کننده شبکه عصبی عمیق به کمک فریمورک تنسورفلو و بهره­گیری از کتابخانه کراس استفاده شده است. در مرحله آموزش، تصاویر آموزشی به همراه کلاس خروجی آن برای شبکه در نظر گرفته می­شود. حین آموزش وزن­های فیلتر در هر تکرار به­روز می­شوند. به­نحویکه بعد از چندین تکرار وزن‌های بهینه به­روز می­شوند و شبکه آموزش می­بیند تا بهترین ویژگی را از تصاویر استخراج کند. نتایج روش پیشنهادی در این تحقیق که بر پایه شبکه های عصبی عمیق است، با توجه به استخراج ویژگی های موثرتر و دقیق تر، دقت تشخیص 83/95 %و 5/99 %به ترتیب در سرطان سینه و سرطان پروستات را فراهم می آورد که نسبت به روش های موجود باعث افزایش بیش از 7% در دقت تشخیص گردیده است.   نتیجه­گیری سرطان یکی از شایع­ترین بیماری­های پیش­رونده در جهان است. سرطان در سلول­ها آغاز می­شود که پایه­های ساختمانی اولیه هستند که بافت را تشکیل می­دهند. یکی از چالش­های موجود در تکنیک­های تشخیص تصاویر پزشکی، مشکل در تجزیه و تحلیل بافت­های متراکم است. با توجه به اینکه تشخیص توسط انسان زمان­بر و دارای احتمال خطای بیشتری است، محققان در تلاش بوده­اند تا با الگوریتم­های مختلف تشخیص را به صورت اتوماتیک انجام دهند.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

طبقه‌بندی و تشخیص درجه‌ی بدخیمی سرطان پروستات با استفاده از ترکیب ویژگی‌های عمیق و ویژگی‌های آماری بافت تصاویر پاتولوژی

سرطان پروستات به عنوان یکی از مهم‌ترین بیماری‌های مردان شناخته ‌می‌شود که تشخیص زودهنگام و به موقع درجه‌ی آن، به روند درمان و جلوگیری از سرایت به سایر بافت‌ها کمک شایانی خواهد کرد. به منظور تعیین درجه‌ی بیماری، نمونه برداری از بافت انجام شده و با بررسی ساختار پاتولوژی، نوع درجه تعیین می‌گردد. در جدیدترین نوع دسته بندی، بافت پروستات به پنج درجه تقسیم‌بندی می‌شود که درجه‌ی یک، خوش‌خیم‌ترین حالت و...

full text

بهینه سازی شبکه عصبی MLP با استفاده از الگوریتم ژنتیک موازی FinGrain برای تشخیص سرطان سینه

امروزه استفاده از سیستم‌های هوشمند در تشخیص پزشکی به تدریج در حال افزایش است. این سیستم‌ها می‌توانند به کاهش خطایی که ممکن است توسط کارشناسان کم‌تجربه اتفاق بیافتد، کمک کند. بدین منظور استفاده از سیستم‌های هوشمند مصنوعی در پیش‌بینی و تشخیص سرطان سینه که یکی از رایج‌ترین سرطان‌ها در بین زنان است، مورد توجه می‌باشد. در این تحقیق فرآیند تشخیص بیماری سرطان سینه با یک رویکرد دو مرحله‌ای انجام...

full text

ارائه یک روش یادگیری ویژگی ترکیبی مبتنی بر الگوریتم شبیه‌سازی تبرید و برنامه‌نویسی ژنتیک (مطالعه موردی: تشخیص بدخیمی سرطان سینه)

امروزه استفاده از ابزارهای یادگیری ماشین در حوزه‌های مختلف ازجمله تشخیص بیماری‌ها در حال گسترش است. علت این امر را می‌توان عملکرد متغیر و متمایل به خطای انسان در مقابل عملکرد ثابت ابزارهای یادگیری ماشین در زمینه تشخیص و طبقه‌بندی دانست. حیاتی بودن تشخیص در حوزه‌هایی مانند پزشکی، نیاز به بهبود تشخیص با روش‌های یادگیری ماشین را توجیه می‌کند. ازجمله روش‌های افزایش دقت در این زمینه، الگوریتم‌های کا...

full text

تشخیص سرطان سینه مبتنی بر استفاده از شبکه های عصبی

سرطان پستان بدخیم یکی از رایج ترین عوارض زنان و یکی از عوامل اصلی مرگ و میر آنان است که در صورت تشخیص سریع و مناسب نرخ آن به شدت کاهش می یابد. مهم ترین روش در تشخیص سرطان پستان، ماموگرافی است متاسفانه ماموگرافی در تشخیص بین توده های خوش خیم و بدخیم عملکرد ضعیفی دارد. به همین دلیل بسیاری از موارد مشکوک ماموگرافی به بیوپسی می انجامد و این در حالی است که فقط 10 تا 15 درصد زنانی که تحت بیوپسی قرار ...

15 صفحه اول

تشخیص سرطان سینه با استفاده از شبکه عصبی جمعی

در این پژوهش برای پیش‏بینی بیماری سرطان سینه مدلی با استفاده از تکنیک داده‏کاوی شبکه های عصبی جمعی ارائه شده ‏است. مجموعه داده مورد استفاده دارای 699 رکورد مربوط به بانک اطلاعاتی بیماران سرطان سینه موجود در انبارداده ی یادگیری ماشین دانشگاه ایروین،کالیفرنیا آمریکا است و شامل ریسک فاکتورهای ضخامت انبوه، یکنواختی اندازه سلول، یکنواختی شکل سلول، چسبندگی لبه ها، حجم سلول بافت اپیتلیال، هسته های عری...

نقش ریزRNA ها در پیدایش، تشخیص و درمان سرطان پروستات

سرطان پروستات یکی از شایع‌ترین بیماری‌های تهدیدکننده سلامت مردان و دومین عامل مرگ مردان بالای 40 سال به علت سرطان در کشورهای توسعه ‌یافته است. به علت عدم برخورداری آزمون­های غربال­گری از ویژگی و حساسیت کافی جهت تشخیص و پی­گیری روند درمان سرطان پروستات، روش­های جای­گزین با اختصاصیت بیش­تر مورد توجه قرار گرفته است. امروزه با پیشرفت فناوری­های مولکولی، زیست نشان­گرهای متعددی جهت غربال­گری دقیق­تر ...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 61  issue 5

pages  1178- 1187

publication date 2018-11-22

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023