Authors | سجاد محمدزاده,ناصر مهرشاد,حامد فضل اللهی اقاملک |
---|---|
Journal | رایانش نرم و فناوری اطلاعات-Journal of Soft Computing and Information Technology |
Page number | ۱۳-۲۴ |
Serial number | ۱۳ |
Volume number | ۲ |
Paper Type | Full Paper |
Published At | ۲۰۲۴ |
Journal Grade | Scientific - research |
Journal Type | Electronic |
Journal Country | Iran, Islamic Republic Of |
Journal Index | isc |
Abstract
سرطان پروستات، یکی از شایعترین بیماریهای مردان در سراسر جهان بعد از سرطان ریه در قرن حاضر است. تشخیص و طبقهبندی تصاویر پزشکی یک کار بسیار چالش برانگیز است. تشخیص و پیشگیری بهموقع این بیماری، بهروند درمان و جلوگیری از پیشرفت آن به سایر بافتها، کمک چشمگیری میکند. بهمنظور تعیین درجهی بیماری، از بافت، نمونهبرداری میشود و با بررسی ساختار پاتولوژی، درجه بدخیمی تعیین میشود. رایج ترین روش مورد استفاده در تشخیص سرطان پروستات، مشاهده میکروسکوپی بیوپسیهای رنگآمیزی شده توسط یک پاتولوژیست و درجهبندی گلیسون از تصاویر پاتولوژی است. در جدیدترین دستهبندی، بافت پروستات به پنج درجه تقسیمبندی میشود که درجهی یک، خوشخیمترین حالت و درجهی پنج، نشاندهندهی وخیمترین حالت بیماری است. در این مقاله یک روش جدید معرفی شده است که خروجی طبقهبندهای سه مدل از یادگیری عمیق با هم ترکیب و ادغام میشوند، از روش یادگیری انتقالی که بر روی مجموعه از تصاویر (ImageNet) آموزش داده شده، استفاده شده است. برای ارزیابی شبکههای آموزش داده شده، نمونههای تست به شبکهها اعمال میشود و با استفاده از دو قانون ترکیب طبقه بندها از قبیل رایگیری اکثریت و میانگینگیری، تصویر تست به یک کلاس نسبت داده خواهد شد. بهمنظور ارزیابی روش پیشنهادی، این روش روی پایگاه دادهی جامعهی بینالمللی آسیبشناسی اورولوژی(ISUP)، اعمال شده است. روش پیشنهادی در این تحقیق بر پایه یادگیری گروهی عمیق است، که با توجه به دو قاعده ترکیب، رایگیری و میانگینگیری، دقت تشخیص بترتیب 2/97 % و 33/97 % در سرطان پروستات را فراهم میآورد که نسبت به سایر روشهای مرسوم برای درجهبندی تصاویر پاتولوژی سرطان پروستات باعث افزایش دقت بیش از 4 درصد در تشخیص و طبقهبندی گردیده است.
tags: یادگیری گروهی عمیق، ترکیب طبقه بندها، سرطان پروستات، تصاویر پاتولوژی، یادگیری انتقالی.