تشخیص سرطان پستان مبتنی بر طبقه بندی کننده SVM و الگوریتم بهینه سازی خفاش
Publish place: International Conference on New Research Findings in Science, Engineering and Technology with a Focus on Need-Based Research
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 500
This Paper With 11 Page And PDF and WORD Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICMRS01_259
تاریخ نمایه سازی: 8 آبان 1395
Abstract:
تشخیص به موقع سرطان پستان به طور چشم گیری مرگ و میر ناشی از آن را در جامعه زنان کاهش می دهد. آزمایش آسپیراسیون سوزنی روشی ساده، ارزان و غیرتهاجمی برای تشخیص دقیق و زودهنگام این سرطان است که امروزه تلاش می شود به صورت هوشمند و ماشینی انجام گیرد. مراحل ایجاد یک سیستم هوشمند برای تشخیص سرطان پستان عبارت اند از: ثبت تصاویر میکروسکوپیک از نمونه FNA، استخراج ویژگی های عددی از این تصاویر، انتخاب ویژگی های تفکیک کننده و طراحی و آزمایش طبقه بند مناسب. در این تحقیق از ویژگی های آماده پایگاه داده WDBC که شامل 569 نمونه FNA می باشد، استفاده شد. برای انتخاب ویژگی روش جدیدی مبتنی بر الگوریتم بهینه سازی خفاش دودویی ارائه شد و سرانجام تلفیقی از طبقه بند های ماشین بردار پشتیبان برای کلاس بندی نمونه ها به کار گرفته شد. سیستم پیشنهادی با استفاده از 17 ویژگی در قالب 5 مدل SVM به دقت شناسایی 99% دست یافت. این سیستم از لحاظ دقت و تعداد ویژگی های مورد نیاز بر سیستم های موجود برتری دارد. این تحقیق با ارائه یک الگوریتم انتخاب ویژگی کارآمد موفق شده است دقت شناسایی سیستم های تشخیص سرطان پستان را بهبود دهد. از دیگر مزیت های انتخاب ویژگی این است که علاوه بر تشخیص کلی، تشخیص ناهنجاری های ناشی از بیماری را نیز ممکن می سازد.
Keywords:
Authors
فریده همتی
دانشجو، کارشناسی ارشد هوش مصنوعی، گروه مهندسی برق و کامپیوتر،دانشکده فنی و مهندسی دانشگاه هرمزگان
احمد حاتم
استادیار ، دکترای مهندسی برق مخابرات، گروه مهندسی برق و کامپیوتر،دانشکده فنی و مهندسی دانشگاه هرمزگان
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 :