تشخیص و طبقه بندی سرطان پوست با استفاده از یادگیری عمیق
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 229
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JBUM-26-1_006
تاریخ نمایه سازی: 28 مهر 1402
Abstract:
زمینه و هدف: سرطان پوست در طول دهه های گذشته رشد چشم گیری داشته است و اهمیت درمان اولیه آن روز به روز در حال افزایش است. هدف از این مطالعه، استفاده از شبکه های عصبی عمیق برای ایجاد یک سیستم خودکار تشخیص ملانوما بود که در آن داده ها به طور مستقیم به عنوان بخشی از فرآیند یادگیری عمیق کنترل می شود.
روش تحقیق: در این پژوهش مطالعات بر روی تصاویر مربوط به سرطان پوست انجام شده است. برای تشخیص خوش خیم یا بدخیم بودن سرطان پوست از طبقه بندی کننده شبکه عصبی عمیق به کمک فریمورک تنسورفلو و بهره گیری از کتابخانه کراس استفاده شده است. مجموعه داده مورد استفاده در این پژوهش از ۷۰ تصویر ملانوما و ۱۰۰ تصویر مربوط به خال گوشتی خوش خیم تشکیل شده است. در مدل پیشنهادی این پژوهش ۸۰ درصد از تصاویر پایگاه داده برای آموزش و ۲۰ درصد تصاویر پایگاه داده برای آزمون انتخاب می شود،.
یافته ها: روش پیشنهادی، دقت تشخیص بالاتری دارد که نسبت به روش های موجود باعث افزایش بیش از ۱۰درصد در دقت تشخیص در بسیاری از موارد گردیده است. دقت بالای تشخیص و طبقه بندی و سرعت بالای همگرایی به نتیجه نهایی، از ویژگی های این پژوهش نسبت به سایر تحقیقات است.
نتیجه گیری: سیستم اتوماتیک تشخیص و طبقه بندی سرطان پوست بر مبنای یادگیری عمیق، با دقت و سرعت مطلوبی ارائه می شود.
Keywords:
Authors
صابر فولادی
Department of Electrical and Computer Engineering, University of Birjand, Birjand, Iran.
حسن فرسی
Department of Electrical and Computer Engineering, University of Birjand, Birjand, Iran.
سجاد محمدزاده
Department of Electrical and Computer Engineering, University of Birjand, Birjand, Iran.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :