مرضیه آجرلو - گروه مهندسی کامپیوتر، واحد شهرقدس، دانشگاه آزاد اسالمی، تهران، ایران
راحیل حسینی - گروه مهندسی کامپیوتر، واحد شهرقدس، دانشگاه آزاد اسالمی، تهران، ایران

از میان انواع سرطان ها، سرطان ریه دارای بالاترین میزان مرگ و میر است. این مشکل ناشی از تشخیص ناحیه گره های موجود در بافت نرم ریه در مراحل اولیه می باشد. یکی از روش های متداول تشخیص ضایعات و گره های ریوی استفاده از شبکه عصبی بوده که تا به امروز مورد استفاده محققان زیادی قرار گرفته است. عملکرد شبکه عصبی وابستگی زیادی به معماری شبکه و الگوریتم یادگیری دارد. در این مقاله از یک مدل شبکه عصبی تجمیعی به همراه الگوریتم یادگیری تطبیقی در طبقه بندی و تشخیص بیماری سرطان ریه استفاده شده است. هدف اصلی از استفاده از شبکه عصبی تجمیعی، افزایش دقت طبقه بندی و بهبود تعمیم دهی شبکه عصبی به علت حساسیت در تشخیص بیماری سرطان ریه است. نرخ یادگیری نیز پارامتری مهم در همگرایی شبکه عصبی بوده و بسته به مقدار آن، دقت طبقه بندی نیز می تواند متفاوت باشد. نتایج این تحقیق نشان می دهد که مدل تجمیعی شبکه عصبی با آموزش ۵ شبکه به همراه نرخ یادگیری تطبیقی، با بهبود ۹/۲% نسبت به شبکه عصبی استاندارد و رسیدن به دقت نهایی ۳/۹۴% در مقایسه با روش های پیشین موفق عمل کرده است.

شبکه عصبی, مدل تجمیعی طبقه بندی, نرخ یادگیری تطبیقی, سرطان ریه