عاطفه حیدریان - دانشجوی دکترای تخصصی دانشگاه آزاد اسلامی، واحد قزوین، گروه مهندسی کامپیوتر، گرایش نرم افزار، قزوین، ایران
بهروز معصومی - استادیار، دانشگاه آزاد اسلامی، واحد قزوین، گروه مهندسی کامپیوتر، قزوین، ایران

سرطان سینه یکی از رایج ترین سرطان ها محسوب می شود. به منظور شناسایی دقیق این بیماری روش های هوشمندمختلفی وجود دارد. در این مقاله شناسایی سرطان سینه به کمک یادگیری عمیق پیشنهاد می شود. یادگیری عمیق بایدسریع و دقیق عمل کند، به همین خاطر طراحی شبکه عصبی که در زمانی معقول آموزش داده شود و دقیق عمل کندیک چالش محسوب می شود. به همین جهت از الگوریتم های فراابتکاری استفاده می شود. در این پژوهش، مطالعه برروی تصاویر ماموگرافی انجام می شود. برای تشخیص نوع ضایعه، از طبقه بند شبکه عصبی عمیق به کمک ساختارتنسورفلو (Tensorflow) و بهرهگیری از کتابخانه کراس (Keras) استفاده شده است. اولین مرحله در روشپیشنهادی، پیشپردازش تصاویر پایگاه داده می باشد که در این مرحله آثاری که می تواند شبکه عصبی عمیق را گمراهکند، کاهش می یابد. تصاویر پیش پردازش شده پس از کلاسبندی، در مرحله دوم به یک شبکه عصبی عمیق در مرحلهبعد وارد می شوند و با استفاده از معماری خاص شبکه عصبی عمیق پیشنهادی، مراحل آموزش و تست بر روی تصاویراعمال می گردد. در این مقاله تاثیر پارامترهای مختلف در یادگیری LSTM مورد بررسی قرار گرفته است.

یادگیری عمیق، الگوریتم های فرابتکاری، شبکه LSTM