بکارگیری تئوری شواهد دمپستر- شافر برای ادغام شبکه های CNN و U-Net از تصاویر هیستوپاتولوژی
- سال انتشار: 1402
- محل انتشار: چهارمین کنفرانس ملی چالشها و راهبردهای نوین در مهندسی برق و کامپیوتر ایران
- کد COI اختصاصی: INCEE04_040
- زبان مقاله: فارسی
- تعداد مشاهده: 224
نویسندگان
دانشجوی دکتری، گروه مهندسی کامپیوتر، دان شکده فنی و مهندسی، دانشگاه آزاد اسلامی، گرگان، ایرا ن
استادیار، گروه مهندسی کامپیوتر، واحد گرگان، دانشگاه آزاد اسلامی، گرگان، ایران
استادیار، گروه مهندسی کامپیوتر، واحد گرگان، دانشگاه آزاد اسلامی، گرگان، ایران
چکیده
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 پاتولوژیمقالات مرتبط جدید
- توسعه مدل های یادگیری چندعاملی برای هماهنگی خودمختار در سیستم های سایبری-فیزیکی با بهره گیری از تقویت یادگیری عمیق چندعاملی
- پیش بینی تطبیقی احساسات در گفتار چند زبانه با استفاده از مدل های ترنسفورمر چندوجهی و یادگیری انتقالی
- معماری های اصلی شبکه های عصبی عمیق و مقایسه آنها
- Beyond Counsel: The Role of Artificial Intelligence in Transforming Legal Practice and Justice Access
- معماری بهینه برای شبکه حسگر بیسیم با بیشترین کاهش انرژی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.