تشخیص سرطان سینه با استفاده از شبکه عصبی جمعی

پایان نامه
  • دانشگاه آزاد اسلامی - دانشگاه آزاد اسلامی واحد یزد - دانشکده مهندسی کامپیوتر
  • نویسنده میثم قاسم پور
  • استاد راهنما علی محمد لطیف
  • سال انتشار 1392
چکیده

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 عریان، کروماتین بلاند، هسته عادی و تقسیم هسته سلول به دوقسمت می باشد. مدل‏های تولید شده در این تحقیق با استفاده از آنالیز منحنی roc مقایسه و بهترین مدل با سطح زیر منحنی 961/0 انتخاب گردید. مدل نهایی داری دقت 67/96%، حساسیت 10/97% و ویژگی 65/95% است که نشان می‏دهد

منابع مشابه

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...

متن کامل

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

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. <stron...

متن کامل

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

استفاده از الگوریتم جغرافیای زیستی در بهینه سازی شبکه عصبی جهت تشخیص سرطان پستان

چکیده مقدمه: در حال حاضر، سرطان پستان از شایع‏ترین بیماری­های زنان است. دسته ‏بندی دقیق تومور سرطان پستان نقش کلیدی را در امر تشخیص پزشکی ایفا می­کند. متخصصین به دنبال روش­های بهینه جهت بهبود تشخیص این تومور می‏ باشند. روش بررسی: در این مطالعه شبکه عصبی مبتنی بر جغرافیای زیستی ارایه گردیده که با استفاده از آنالیز اجزای اصلی در مرحله آماده ‏سازی و بروز رسانی همزمان وزن‏ها موفق به دسته‏بندی داد...

متن کامل

تشخیص بیماری دیابت با استفاده از شبکه عصبی مصنوعی و عصبی- فازی

Background & Aim: A main problem in diabetes is its timely and accurate diagnosis. This study aimed at diagnosing diabetes using data mining methods. Methods: The present study is an analytical investigation including 768 individuals with 8 attributes. Artificial neural networks and fuzzy neural networks were used to diagnose the diabetes. To achieve a real accuracy, the Kfold method was used ...

متن کامل

تشخیص آنامولی های TEC قبل از وقوع زلزله های بزرگ با استفاده از شبکه عصبی مصنوعی

وقوع زلزله علاوه بر تغییر در هندسه و فیزیک پوسته زمین تأثیرات دیگری را نیز به همراه دارد. از آن جمله، تأثیر بر لایه یونسفر می&zwj;باشد که خود را به‌صورت تغییر در میزان الکترون، چگالی یون‌ها، میدان‌های الکتریکی و مغناطیسی این لایه نشان می‌دهد. هر پارامتر ژئوفیزیکی و ژئوشیمیایی در لایه‌های لیتوسفر، اتمسفر و یونسفر زمین که قبل از وقوع زلزله تغییراتی در آن پدید آید به‌عنوان پیش‌نشانگر شناخته می‌شود...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

دانشگاه آزاد اسلامی - دانشگاه آزاد اسلامی واحد یزد - دانشکده مهندسی کامپیوتر

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023