روشهای تشخیص و طبقه بندی سرطان دهانه رحم با استفاده از مدلهاییادگیری انتقالی تطبیق پذیر پیچشی بروی تصاویر پاپ اسمیر

سرطان دهانه رحم یکی از انواع شایع سرطان ها در بین زنان در سطح جهانی است و به عنوان یک تهدید جدی برای سلامت زنان شناخته می شود. این نوع سرطان، که عمدتا ناشی از عفونت با ویروس پاپیلومای انسانی (HPV) است، می تواند به تدریج بدون علامت تا پیشرفت به مراحل پیشرفته و خطرناک باشد. یکی از ابزارهای اصلی در تشخیص سرطان دهانه رحم، آزمایش پاپ اسمیر است. این آزمایش شامل جمع آوری و بررسی سلول های دهانه رحم می باشد و به پزشکان کمک می کند تا تغییرات غیرطبیعی را در بافت های دهانه رحم شناسایی کنند. تحلیل دستی تصاویر پاپ اسمیر با مشکلاتی مانند عدم دقت و فشار به سیستم های بهداشتی مواجه است. استفاده از تکنیک های یادگیری ماشین و به خصوص شبکه های عصبی کانولوشن (CNN)، امکان تحلیل دقیق و سریع این تصاویر را فراهم می آورد. این تحقیق به بررسی روش های ترکیبی یادگیری ماشین و تاثیر آن ها بر بهبود دقت و سرعت تشخیص سرطان دهانه رحم می پردازد و چالش ها و فرصت های موجود در این حوزه را تحلیل می کند. در این پژوهش جهت تشخیص سرطان دهانه ی رحم از ترکیب شبکه ی عصبی کانولوشن و الگوریتم های طبقه بندی نزدیک ترین همسایه، درخت تصمیم و ماشین بردار پشتیبان استفاده گردیده است.