استفاده از شبکه های عصبی یادگیری عمیق در تشخیص درجه بدخیمی سرطان پروستات و تشخیص سرطان سینه

Abstract

خلاصه مقدمه الکتروکاردیاگرام (ECG) یکی از روش¬های اندازه¬گیری فعالیت¬های الکتریکی قلب است که این اندازه گیری با قرار دادن الکترودهایی روی سطح بدن اندازه گیری می¬شود. پزشکان برای تشخیص و شناسایی بیماری¬های قلبی از ابزار مشاهده استفاده می¬کنند که این کار در سیگنال¬های ECG توسط متخصص قلب و عروق انجام می‌شود. به طور خاص بیماری¬های قلبی با بررسی نمایش گرافیکی سیگنال¬های قلبی که با عنوان ECG معرفی شد، انجام می¬شود. سیگنال¬های ECG به دلیل منابع خارجی یا سایر فرایند¬های فیزیولوژیکی بدن انسان با نویز همراه می¬باشد. روش کار در این پژوهش یک فیلتر وفقی بر اساس تبدیل موجک و شبکه عصبی عمیق برای کاهش نویز پیشنهاد می¬گردد. این مجموعه ترکیبی از تبدیل ویولت، یادگیری وفقی و نگاشت غیر خطی از شبکه¬های عصبی عمیق است. شبکه عصبی عمیق به کمک فیلتر وفقی برای کاهش نویز بیشتر از سیگنال ECG مورد استفاده قرار می¬گیرد. نتایج در این پزوهش مراحل آموزش و آزمون بر روی پایگاه داده معتبر PhysioNet مورد ارزیابی قرار می گیرد. معیار مورد نظر برای ارزیابی کیفیت روش پیشنهادی به منظور حذف نویز، نسبت سیگنال به نویز می¬باشد که هدف این پژوهش افزایش این نسبت می‌باشد که بیانگر بازدهی روش مبتنی بر تبدیل موجک و یادگیری عمیق می باشد. نتیجه¬گیری نتایج حاصل از شبیه سازی نشان از افزایش 11 درصدی در بهترین حالت ممکن می باشد. که این نتایج به دلیل بهره¬گیری از تبدیل موجک و یادگیری عمیق می¬باشد.