تشخیص سرطان سینه با استفاده از روش یادگیری عمیق نظارتی (UNET)

بیماران مختلفی که همگی مبتلا به یک نوع سرطان هستند واکنش های متفاوتی نسبت به یک نوع شیوه درمانی از خود بروز می دهند، به همین خاطر پزشکان در دوراهی غاضمی قرار می گیرند و نمی دانند چگونه باید نسب به تعیین درمانی که بهترین پاسخ را برانگیزد اقدام نمایند. در این پژوهش ابتدا داده های مربوط به بیماران گردآوری شده است. همچنین مدلی برای دسته بندی تصاویر مربوط به این بیماران توسعه یافته است. در این مدل از شبکه Unet مبتنی یادگیری عمیق نظارتی استفاده شده است. در این شبکه پیش بینی برای هر پیکسل ایجاد می شود و اطلاعات مکانی ورودی اصلی باقی می ماند. در نهایت، دسته بندی پیکسل به پیکسل بر روی نقشه ویژگی خروجی لایه برای دستیابی به دسته بندی در سطح پیکسل انجام می شود. این مدل، می تواند تصاویر ورودی با هر انداره ای را بپذیرد زیرا هیچ لایه کاملا متصل وجود ندارد. علاوه بر آن، چون در این مدل، در زمان آموزش و پیش بینی از بلوک های تصویر در اطراف پیکسل به عنوان ورودی استفاده نمی کند، دقت تقسیم بندی بهبود یافته است و سربار ذخیره سازی کاهش می یابد.

کلیدواژه ها:

الگوریتم های یادگیری عمیق ، شبکه های عصبی کانولوشن ، سرطان سینه ، لایه های عصبی