تشخیص و طبقه بندی پولیپ های روده بزرگ بر اساس ویژگی های متمایز استخراج شده از شبکه های عصبی کانولوشنال عمیق

شبکه های پیشرفته عصبی کانولوشنال عمیق (DCNN) یک تحول شگرفی را نشان دادهاند که حوزههای زیادی از جمله طبقه بندی تصویر را به طور مثبت تحت تاثیر قرار داده اند. در حوزه تصاویر کلونوسکوپی محدودیت های زیادی به خصوص فقدان مقدار کافی نمونه های آموزشی بیمار، زمان نامناسب آموزش، و منابع مورد نیاز برای شبکه های عصبی می توانند طبقه بندی پلیپ بر اساس DCNN را تحت تاثیر قرار دهند. کار این پایان نامه سعی بر این دارد تا برای طبقه بندی پلیپ های روده بزرگ (که DeepCPC اتلاق می شود)، بر اساس ویژگی های متمایز استخراج شده از شبکه های عصبی کانولوشنال عمیق ، یک مدل یادگیری عمیق توسعه دهد. به ویژه، برخی از مدلهای شبکه عصبی کانولوشنال از پیش آموزش دیده شده بر روی تصاویر همه منظوره استفاده می شوند تا یک طرح یادگیری انتقال در سیستم طبقه بندی پلیپ اعمال شود. این کار از طریق به هم پیوستن یک مجموعه ای از ویژگی های متمایز کننده تصویر که از فعال سازیهای لایه کانولوشنال استخراج شده اند حاصل می شود، سپس با تنظیم یک معماری CNN پیشنهادی بر روی تصاویر پلیپ ها از طریق یک شیوه کامل آموزشی انتها به انتها نمایش های ویژگی بهبود داده می شوند. مدل پیشنهادی شامل سه جز اصلی است : لایه های دقیق تنظیم شده پایینی ، بردار تصویر به هم پیوسته ، و لایه های بالایی کاملا متصل . برای ارزیابی مدل DeepCPC از مجموعه دادههای CVC-ClinicDB استفاده می شود، اما برای غنی سازی فرآیند آموزشی با نمونه های به اندازه کافی پلیپ ، استراتژیهای تقویت تصویر و استخراج بیشتر پچ اعمال می گردد. نتایج آزمایشگاهی نشان می دهند که مدل CNN پیشنهادی به دقت %۴,۹۸ می تواند دست پیدا کند، که بر کارآیی آن برای کمک به پزشکان اندوسکوپی برای طبقه بندی پلیپ ها و کاهش میزان خطای پلیپ روده بزرگ تاکید دارد.

کلیدواژه ها:

سرطان روده بزرگ ، شبکه های عصبی کانولوشنال عمیق ، پلیپ ها