گرادیان نزولی تطبیقی در شبکه های بازگشتی برای طبقه بندی سرطان سینه

در این مقاله به بررسی و ارزیابی عملکرد سه الگوریتم شبکه عصبی مصنوعی با استفاده از گرادیان نزولی در طبقه بندی تومور به عنوان خوشخیم و بدخیم در تصویربرداری سونوگرافی پرداخته می شود. تصاویر با استفاده از فیلترهای موجک برای کاهش نویز لکه ها آماده سازی شدند. تعدادی ویژگی از تصاویر سونوگرافی انتخاب شده و برای طبقه بندی تومورهای سینه استخراج می گردد. همچنین منطقه تحت دریافت منحنی عملیاتی ( AUC ) ، حساسیت، همگرایی، دقت طبقه بندی و زمان CPU به عنوان معیارهای عملکرد در این طبقه بندی در نظر گرفته شده است. نتایج نشان می دهد که گرادیان نزولی تطبیقی در شبکه های بازگشتی بر اساس نرخ یادگیری متغیر نسبت به سایر تکنیک ها از جمله گرادیان نزولی یا الگوریتم گرادیان نزولی با مومنتوم، از بالاترین دقت طبقه بندی برخوردار است.

کلیدواژه ها:

شبکه های بازگشتی ، طبقه بندی سرطان سینه ، گرادیان نزولی و نرخ یادگیری متغیر