بکارگیری تئوری شواهد دمپستر- شافر برای ادغام شبکه های CNN و U-Net از تصاویر هیستوپاتولوژی

طبق آمار GLOBOCAN ۲۰۲۰، سرطان یکی از علل اصلی مرگ و میر است. تاکنون، پیشرفت چشمگیری در تشخیص بافت های سرطانی صورت گرفته و منجر به کاهش مرگ و میر و بهبود کیفیت زندگی شده است، در این میان یکی از روش های تشخیص، یادگیری عمیق(DL) است. پاتولوژی دیجیتال (DP)، بافت های سلولی را به دسته های خوش خیم و بدخیم طبقه بندی می کند. مسئله این است، برخی داده های نامطمئن وجود دارد که در مواجهه با آنها باید طبقه بند موثرتری بکار برد. نظریه های احتمال کلاسیک دقت پایینی در تشخیص داده های نامطمئن دارند، بنابراین نیاز به ارائه روش هایی برای رفع این مسئله است. این مقاله تئوری شواهد دمپستر-شافر (DST)، برای ادغام توابع جرم جهت طبقه بندی تصاویر هیستوپاتولوژیک و بهبود دقت تشخیص، پیشنهاد می کند. روش پیشنهادی، ترکیب طبقه بندی های مرسوم شبکه عصبی کانولوشن (CNN) و شبکه U-NET است. یک رمزگذار کانولوشن سفارشی برای آموزش مجموعه تصاویر ورودی از تصاویر تمام اسلاید (WSI) استفاده می شود و پس از استخراج ویژگی ها، آنها را در ابعاد پایین تر فشرده می کند و فرآیند بازسازی تکه های WSI ۱۱۲×۱۱۲×۳ انجام می شود. برای ارزیابی عملکرد، آموزش شبکه ها بر روی مجموعه داده های پاتولوژی BACH صورت گرفت. چارچوب معرفی شده در این مطالعه، نتایج حاصل از ادغام را گزارش می کند و به دقت کلی ۹۸ درصد دست یافت، دقت در مقایسه با روش های CNN و U-Net بهبود یافته است.

کلیدواژه ها:

شبکه عصبی کانولوشن(CNN) ، شبکه U-Net ، تصاویر هیستوپاتولوژی ، تئوری شواهد دمپستر-شافر ، دیجیتال پاتولوژی