ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

Performance of a Transfer Learning Module with Pretrained Neural Network and Logistic Regression in Detection of Breast Carcinoma from Microphotographs of Fine Needle Aspiration Cytology Smears

سال انتشار: 1398
کد COI مقاله: CANCER01_001
زبان مقاله: انگلیسیمشاهده این مقاله: 251
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 6 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Performance of a Transfer Learning Module with Pretrained Neural Network and Logistic Regression in Detection of Breast Carcinoma from Microphotographs of Fine Needle Aspiration Cytology Smears

Parikshit Sanyal - Dept of Pathology, Military Hospital Jalandhar, Jalandhar Cantt, PIN ۱۴۴۰۰۵, India
Anirudh Sharma - Undergraduate student, Vellore Institute of Technology, Katpadi,Vellore, Tamil Nadu, PIN ۶۳۲۰۱۴, India
Prosenjit Ganguli - Dept of Pathology, Command Hospital, Alipore, Kolkata ۷۰۰۰۲۷, India
Sanghita Barui - Dept of Pathology, Military Hospital Jalandhar, Jalandhar Cantt, PIN ۱۴۴۰۰۵, India

چکیده مقاله:

Fine needle aspiration cytology (FNAC) is an useful modality for initial assesment of a palpable breast lump. The aim of this study was to develop a computer model for classification of microphotographs from FNAC smears of breast lesions, into two classes ‘benign’ and malignant’. We have used the transfer learning method, i.e. using a neural network which has been trained on a different dataset, to extract features from the present datatset. Apart from being of valuable diagnostic utility, the model will also provide key insights on machine learning and how a learner, human or machine, distinguishes benign from malignant. A pretrained neural network (VGG16) which has been trained on the ImageNet database, was used for the study. A total of 2037 processed microphotographs from Romanowky stained FNAC smears were taken, all at 40x magnification. Images from two different microphotography systems in two different tertiary care centers of India was used. The images were then split into two sets, ‘training’ (1544 images) and ‘validation’ (493 images). During training, features were extracted with VGG16 and fit with original labels using logistic regression. After completion of training, images from the validation set was processed with the VGG16 network and the trained logistic regression model was used to generate predictions. The model achieved 90.38% sensitivity, 87.12% specificity, 88.67% positive predictive value and 89.03% negative predictive value. A diagnostic accuracy of 89% was achieved. Receiver operating characteristic shows area under curve of 0.89, indicating good perforamance. 12.8% false positives and 9.6% false negatives were also reported by the model. The principal difficulties encountered were the distinction between the dark staining nuclei of myoepithelial cells and the hyperchromasia of a malignant epithelial cell. Also, hypocellular foci with single malignant epithelial cells were often reported to be falsely negative by the model. Overall, the sensitivity, specificity, positive and negative predictive value of the model is close to FNAC reported by pathologists. It shows potential to be used as a screening tool, after validation on a larger dataset.

کلیدواژه ها:

Pretrained Neural Network,Logistic Regression,Breast Carcinoma,Microphotographs

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا CANCER01_001 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/963385/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Sanyal, Parikshit and Sharma, Anirudh and Ganguli, Prosenjit and Barui, Sanghita,1398,Performance of a Transfer Learning Module with Pretrained Neural Network and Logistic Regression in Detection of Breast Carcinoma from Microphotographs of Fine Needle Aspiration Cytology Smears,International Conference on Cancer Research 2019,https://civilica.com/doc/963385

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1398, Sanyal, Parikshit؛ Anirudh Sharma and Prosenjit Ganguli and Sanghita Barui)
برای بار دوم به بعد: (1398, Sanyal؛ Sharma and Ganguli and Barui)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره 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.

پشتیبانی