تشخیص میتوز در سرطان سینه با استفاده از یادگیری عمیق
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,256
This Paper With 16 Page And PDF 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:
ICTI01_037
تاریخ نمایه سازی: 11 مرداد 1396
Abstract:
سرطان سینه یکی از دلایل عمده و اصلی مرگ و میر زنان در دهه اخیر بوده است، میزان ابتلا به سرطان سینه در جهان در حال افزایش است. در ایالت متحده از هر 8 زنی که تا سن 95 سالگی عمر می کنند، یک نفر به این سرطان مبتلا می شود. این سرطان یکی از معمولترین سرطان ها تشخیص داده شده در زنانمیباشد و مرگ ناشی از سرطان سینه، بیشتر در سنین 15 تا 54 سالگی در زنان دیده میشود. تحقیقات، آشکار کردن ایتولوژی دقیق سرطان سینه را رد می کند و تنها تعداد کمی از فاکتورهای اصلی مانند تاریخچه فامیلی شناخته شده اند که باعث افزایش ابتلا به سرطان سینه در زنان می شوند. البته هنوز هم تعداد زیادی از زنانی که به سرطان سینه مبتلا می شوند هیچ سابقه بیماری در خانواده خود ندارند.این نوع سرطان قابل پیشگیری نیست زیرا هنوز دلایل اصلی بوجود آمدن آن مشخص نیست، اما تشخیص به موقع آن میتواند شانس فرد را در بهبودی کامل افزایش دهد. عدم وجود داده های ground-truth موجود به عنوان یک چالش مهم برای انتقال پیشرفت اخیر در یادگیری عمیق به حوزه تصویر برداری بیوپزشکی شناسایی شده است. اگر چه جمع سپاری باعث شده است که یادداشت پایگاه داده های بزرگ برای تصاویرجهان واقعی امکان پذیر شود امکان آن برای اهداف بیوپزشکی مستلزم درک عمیق تری است وبنابراین تعریف دقیق تری از یادداشت واقعی را به دنبال داشته است. این حقیقت که کارهای تخصصی برای کاربران غیر متخصص از بیرون تامین میشوند ممکن است منجر به یادداشتهای نویز دار شوند که باعث عدم توافقبین کاربر آن میشوند. در این تحقیق، ما یک مفهوم جدید را برای یادگیری از جمعیتها ارایه میدهیم که در آن انباشت داده ها مستقیما به عنوان بخشی از فرآیند یادگیری شبکه CNN از طریق لایه جمع سپاری اضافی AggNet کنترل میشود.
Keywords:
Authors
فاطمه حیدری
موسسه آموزش عالی پویش،دانشجوی کارشناسی ارشد هوش مصنوعی
رضا احسن
عضو هیات علمی ، واحد قم،دانشگاه آزاد اسلامی
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 :