ارائه مدل هوشمند تجمیعی مدیریت عدم قطعیت در شبکه باور عمیق برای طبقه بندی تصاویر میکروسکوپی سلولی

کاربردهای مدل های یادگیری عمیق به منظور تجزیه و تحلیل تصویر پزشکی در سال های اخیر به طرز چشم گیری افزایش یافته است. پژوهش حاضر یک مدل تجمیعی یادگیری عمیق، بر اساس تئوری باور بر روی تصاویر میکروسکوپی سلولی، جهت تشخیص سرطان دهانه رحم ارائه می کند. مدل پیشنهادی از شبکه باور عمیق و مدل طبقه بندی تجمیعی، برای بهبود دقت پیش بینی بهره می برد. در این روش، از شبکه باور و قانون ترکیب دمپستر جهت ترکیب مشاهدات برای مدیریت عدم قطعیت طبقه بندی نوع سلول ها استفاده می کند. این مدل جدید طبقه بند تجمیعی به منظور طبقه بندی نمونه های جا مانده از روش دمپستر به دلیل عدم قطعیت بالا در طبقه بندی به کار گرفته شده است. این روش پیشنهادی، از سه طبقه بندی کننده شامل ماشین بردار پشتیبان، نزدیکترین همسایه کی، و طبقه بند فازی برای طبقه بندی نمونه ها و بهبود عملکرد مدل استفاده می کند. نتایج تجربی بر روی مجموعه دادهHerlev  و مجموعه دادهSIPaKMeD  برتری مدل پیشنهادی را نشان می دهد. این مدل در مجموعه دادهHerlev   با دقت ۹۹٪، ویژگی ۹۸٪، حساسیت ۹۸٪، و AUC  ۹۹.۹۸٪، و مجموعه داده SIPaKMeD  بادقت ۹۷.۲٪، ویژگی ۹۸.۷۹٪، حساسیت ۹۸.۷۰٪  و AUC  ۹۹.۸۹٪، از روش های یادگیری عمیق بهتر عمل می کند و دستاوردهای امیدوارکننده ای در تشخیص زودهنگام سرطان دهانه رحم نشان می دهد.