یک ساختار شبکه عصبی اکتشافی با تکیه بر منطق فازی برای امتیازدهی تصاویر

روش های یادگیری عمیق سنتی در طبقه بندی ویژگی های ابهام، که اغلب در مقوله های پر سر و صدا و دشوار پیش بینی می شوند، به ویژه برای تشخیص امتیازدهی معنایی، بهینه نیستند. امتیازدهی معنایی، بسته به منطق معنایی برای اجرای ارزیابی، ناگزیر شامل توصیف فازی وبرخی از مفاهیم را از دست می دهد، برای مثال، رابطه مبهم بین عادی و احتمالا عادی همیشه مرزهای نامشخصی را ارائه می دهد (عادی - به احتمال زیاد عادی - احتمالا عادی). بنابراین، خطای انسانی هنگام حاشیه نویسی تصاویر رایج است. متفاوت از روش های موجود که بر اصلاح ساختار هسته شبکه های عصبی تمرکز می کنند، (BI RADS) برای امتیازدهی گزارش تصویربرداری سینه و سیستم داده (FFCL) این مطالعه یک لایه کاملا متصل فازی پیشنهاد می کند و جهانی بودن این ساختار پیشنهادی را تایید می کند. این مدل پیشنهادی با هدف توسعه ویژگی های مکمل امتیازدهی برای پارادایم های معنایی، در حالی که قوانین فازی را بر اساس تحلیل الگوهای فکری انسان ایجاد می کند، و به ویژه کاهش تاثیر پیوستگی معنایی را دارد. به طور خاص، این لایه غیرفازی گر حساس معنایی ویژگی های اشغال شده توسط دسته های نسبی را در فضای معنایی پروژه می دهد، و یک رمزگشای فازی احتمالات آخرین لایه خروجی را با اشاره به روند جهانی اصلاح می کند. علاوه بر این، فضای معنایی مبهم بین دو مقوله نسبی در طول مراحل یادگیری کاهش می یابد، زیرا روند رشد مثبت و منفی یک دسته که در میان خویشاوندان آن ظاهر می شود در نظر گرفته شد. ما ابتدا از فاصله برای بزرگنمایی فاصله بین نمرات واقعی و امتیازات پیش بینی شده استفاده کردیم و سپس از دو روش (ED) اقلیدسی استفاده کردیم. نتایج تجربی گسترده ای که بر روی مجموعه داده های FFCL نمونه برای اثبات مزیت معماری t آزمون ما می تواند به عملکردهای برتر برای طبقه بندی سه گانه FFCL انجام شده است نشان می دهد که ساختار CBIS DDSM BI RADS و چند کلاسه در امتیازدهی دست یابد، که از روش های هنری بهتر عمل می کند.

Keywords:

شبکه های عصبی عمیق فازی , یادگیری انتقالی , لایه کاملا متصل فازی , امتیازدهی تصویر پزشکی