Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
Publisher of Iranian Journals and Conference Proceedings
عنوان
Paper

Performance of a Transfer Learning Module with Pretrained Neural Network and Logistic Regression in Detection of Breast Carcinoma from Microphotographs of Fine Needle Aspiration Cytology Smears

تعداد صفحات: 6 | تعداد نمایش خلاصه: 87 | نظرات: 0
سال انتشار: 1398
کد COI Paper: CANCER01_001
زبان Paper: Englishglish
(فایل این Paper در 6 صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این Paper

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این Paper را خریداری نمایید.

با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک Paper) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید.در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.

لطفا قبل از اقدام به خرید اینترنتی این Paper، ابتدا تعداد صفحات Paper را در بالای این صفحه کنترل نمایید.

برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل Paper

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 6 صفحه است در اختیار داشته باشید.

قیمت این مقاله : 3,000 تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان Paper Performance of a Transfer Learning Module with Pretrained Neural Network and Logistic Regression in Detection of Breast Carcinoma from Microphotographs of Fine Needle Aspiration Cytology Smears

Parikshit Sanyal - Dept of Pathology, Military Hospital Jalandhar, Jalandhar Cantt, PIN 144005, India
Anirudh Sharma - Undergraduate student, Vellore Institute of Technology, Katpadi,Vellore, Tamil Nadu, PIN 632014, India
Prosenjit Ganguli - Dept of Pathology, Command Hospital, Alipore, Kolkata 700027, India
Sanghita Barui - Dept of Pathology, Military Hospital Jalandhar, Jalandhar Cantt, PIN 144005, India

چکیده Paper:

Fine needle aspiration cytology (FNAC) is an useful modality for initial assesment of a palpable breast lump. The aim of this study was to develop a computer model for classification of microphotographs from FNAC smears of breast lesions, into two classes ‘benign’ and malignant’. We have used the transfer learning method, i.e. using a neural network which has been trained on a different dataset, to extract features from the present datatset. Apart from being of valuable diagnostic utility, the model will also provide key insights on machine learning and how a learner, human or machine, distinguishes benign from malignant. A pretrained neural network (VGG16) which has been trained on the ImageNet database, was used for the study. A total of 2037 processed microphotographs from Romanowky stained FNAC smears were taken, all at 40x magnification. Images from two different microphotography systems in two different tertiary care centers of India was used. The images were then split into two sets, ‘training’ (1544 images) and ‘validation’ (493 images). During training, features were extracted with VGG16 and fit with original labels using logistic regression. After completion of training, images from the validation set was processed with the VGG16 network and the trained logistic regression model was used to generate predictions. The model achieved 90.38% sensitivity, 87.12% specificity, 88.67% positive predictive value and 89.03% negative predictive value. A diagnostic accuracy of 89% was achieved. Receiver operating characteristic shows area under curve of 0.89, indicating good perforamance. 12.8% false positives and 9.6% false negatives were also reported by the model. The principal difficulties encountered were the distinction between the dark staining nuclei of myoepithelial cells and the hyperchromasia of a malignant epithelial cell. Also, hypocellular foci with single malignant epithelial cells were often reported to be falsely negative by the model. Overall, the sensitivity, specificity, positive and negative predictive value of the model is close to FNAC reported by pathologists. It shows potential to be used as a screening tool, after validation on a larger dataset.

کلیدواژه ها:

Pretrained Neural Network,Logistic Regression,Breast Carcinoma,Microphotographs

کد Paper/لینک ثابت به این Paper

برای لینک دهی به این Paper می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت Paper در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/963385/

کد COI Paper: CANCER01_001

نحوه استناد به Paper:

در صورتی که می خواهید در اثر پژوهشی خود به این Paper ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
undefined, undefined و undefined, undefined و undefined, undefined و undefined, undefined,1398,Performance of a Transfer Learning Module with Pretrained Neural Network and Logistic Regression in Detection of Breast Carcinoma from Microphotographs of Fine Needle Aspiration Cytology Smears,همایش بین المللی تحقیقات سرطان 2019,,,https://civilica.com/doc/963385

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این Paper اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1398, Sanyal, Parikshit؛ Anirudh Sharma و Prosenjit Ganguli و Sanghita Barui)
برای بار دوم به بعد: (1398, Sanyal؛ Sharma و Ganguli و Barui)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

Research Info Management

Certificate | Report Paper

Export Citation info of this Paper to research management softwares

New RelatedPapers

Share this paper

WHAT IS COI?

COI is a national code dedicated to all Iranian Conference and Journal Papers. the COI of each paper can be verified online.

Support