کلاس بندی ۱۲ ارگان حیاتی بدن با استفاده از شبکه عصبی کانولوشن عمیق

امروزه بخش عظیمی از تصاویر پزشکی به فرم دیجیتال تولید و ذخیره می­شوند، این امر سبب شده است، مدیریت پایگاه های داده پزشکی بزرگ، از پیچیدگی های فراوانی برخوردار شود. رشد روزافزون پایگاه داده های با حجم بزرگ در زمینه های مختلف پزشکی همچون تشخیص به کمک کامپیوتر، تحقیقات و آموزش کادر پزشکی نیاز به سیستم های کلاس بندی تصویر را بیش ازپیش ضروری ساخته است. روش یادگیری عمیق یکی از تکنیک های یادگیری ماشین است که در بسیاری از برنامه ها مانند کلاس بندی، تجزیه وتحلیل تصویر و تشخیص اشیا مورداستفاده قرار می گیرد. امروزه به دلیل استفاده گسترده از تصاویر دیجیتالی به عنوان منابع اطلاعاتی ­در ­بیمارستان ها، بایگانی تصاویر پزشکی به طور چشمگیری در حال رشد است. تصاویر دیجیتالی نقش مهمی در پیش بینی انواع بیماری ها دارند و کاربردهای گسترده ای از آن ها در تشخیص و تحقیقات وجود دارد. در این تحقیق یک روش برای کلاس بندی تصاویر پزشکی با استفاده از روش یادگیری عمیق ارائه شده است که در آن به طراحی شبکه­ای مبتنی بر شبکه Vgg۱۶ پرداختیم و با تغییر در تعداد لایه ها، نرخ یادگیری و سایر پارامترها به دقت ۹۹.۰۷ برای مجموعه داده پیشنهادی دست یافتیم.

کلیدواژه ها:

تشخیص اشیاء ، کلاس بندی تصاویر پزشکی ، یادگیری ماشین ، یادگیری عمیق