استفاده از شبکه عصبی کانولوشن برای افزایش دقت طبقه بندی توده های سرطانی ریه با استفاده از تصاویر سیتی اسکن
سرطان ریه یک بیماری ب سیار جدی ا ست و ت شخیص زودهنگام سلولهای سرطانی به طور قابل توجهی شانس بهبودی بیماران را افزایش میدهد. پزشکان به طور مرتب تعداد زیادی از تصاویر سیتیاسکن را بررسی میکنند که میتواند منجر به ایجاد خستگی و اشتباه شود. بنابراین، نیاز به ایجاد ابزاری وجود دارد که بتواند به طور خودکار ندولهای ریه را در مراحل اولیه شناسایی و طبقهبندی کند. سیستمهای تشخیص به کمک رایانه که اغلب از تکنیکهای پردازش تصویر و یادگیری ماشین استفاده میکنند، به رادیولوژیستها در شناسایی و طبقهبندی این گره ها کمک میکنند. مطالعات قبلی اغلب از مدلهای پیچیده یا شبکه های از پیش آموزشدیده استفاده کردند که نیاز به سختافزار قوی و زمان طولانی برای اجرا دارند. هدف ما دستیابی به تشخیص دقیق بدون نیاز به سیستم محاسباتی قدرتمند است. ما یک شبکه عصبی کانولوشنال ساده را با تنها دو لایه پیچشی معرفی میکنیم که قادر به طبقهبندی دقیق گره ها بدون نیاز به سختافزار قدرتمند است. ما فرایندهای آموزش و اعتبارسنجی را بر روی دو مجموعه داده LIDC-IDRI و LUNA16 انجام دادیم که به ترتیب به دقتهای 99.7 درصد و 97.52 درصد رسیدیم. این نتایج، دقت برتر مدل پیشنهادی ما را در مقایسه با مقالات خوب گذشته نشان میدهد.
سرطان ریه ، یادگیری عمیق ، LIDC-IDRI ، LUNA16 ، چرخانده شده
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.