دوره 26، شماره 1 - ( بهار 1398 )
جلد 26 شماره 1 صفحات 53-44 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Fooladi S, Farsi H, Mohamadzadeh S. Detection and classification of skin cancer using deep learning. J Birjand Univ Med Sci. 2019; 26 (1) :44-53
URL: http://journal.bums.ac.ir/article-1-2533-fa.html
URL: http://journal.bums.ac.ir/article-1-2533-fa.html
فولادی صابر، فرسی حسن، محمدزاده سجاد. تشخیص و طبقه‌بندی سرطان پوست با استفاده از یادگیری عمیق. مجله علمي دانشگاه علوم پزشكي بيرجند 1398; 26 (1) :53-44
صابر فولادی1 
، حسن فرسی1 ، سجاد محمدزاده* 2
، حسن فرسی1 ، سجاد محمدزاده* 2
1- گروه مهندسی برق، دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، ایران
2- گروه مهندسی برق، دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، ایران ، s.mohamadzadeh@birjand.ac.ir
2- گروه مهندسی برق، دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، ایران ، s.mohamadzadeh@birjand.ac.ir
چکیده: (7219 مشاهده)
زمینه و هدف: سرطان پوست در طول دهه‌های گذشته رشد چشم‌گیری داشته است و اهمیت درمان اولیه آن روز به روز در حال افزایش است. هدف از این مطالعه، استفاده از شبکه‌های عصبی عمیق برای ایجاد یک سیستم خودکار تشخیص ملانوما بود که در آن داده‌ها به‌طور مستقیم به‌عنوان بخشی از فرآیند یادگیری عمیق کنترل می‌شود.
روش تحقیق: در این پژوهش مطالعات بر روی تصاویر مربوط به سرطان پوست انجام شده است. برای تشخیص خوش‌خیم یا بدخیم بودن سرطان پوست از طبقه‌بندی کننده شبکه عصبی عمیق به کمک فریمورک تنسورفلو و بهره‌گیری از کتابخانه کراس استفاده شده است. مجموعه داده مورد استفاده در این پژوهش از 70 تصویر ملانوما و 100 تصویر مربوط به خال گوشتی خوش خیم تشکیل شده است. در مدل پیَشنهادی این پژوهش 80 درصد از تصاویر پایگاه‌داده برای آموزش و 20 درصد تصاویر پایگاه داده برای آزمون انتخاب می‌شود،.
یافته‌ها: روش پیشنهادی، دقت تشخیص بالاتری دارد که نسبت به روش‌های موجود باعث افزایش بیش از 10درصد در دقت تشخیص در بسیاری از موارد گردیده است. دقت بالای تشخیص و طبقه‌بندی و سرعت بالای همگرایی به نتیجه نهایی، از ویژگی‌های این پژوهش نسبت به سایر تحقیقات است.
نتیجه‌گیری: سیستم اتوماتیک تشخیص و طبقه‌بندی سرطان پوست بر مبنای یادگیری عمیق، با دقت و سرعت مطلوبی ارائه می‌شود.
روش تحقیق: در این پژوهش مطالعات بر روی تصاویر مربوط به سرطان پوست انجام شده است. برای تشخیص خوش‌خیم یا بدخیم بودن سرطان پوست از طبقه‌بندی کننده شبکه عصبی عمیق به کمک فریمورک تنسورفلو و بهره‌گیری از کتابخانه کراس استفاده شده است. مجموعه داده مورد استفاده در این پژوهش از 70 تصویر ملانوما و 100 تصویر مربوط به خال گوشتی خوش خیم تشکیل شده است. در مدل پیَشنهادی این پژوهش 80 درصد از تصاویر پایگاه‌داده برای آموزش و 20 درصد تصاویر پایگاه داده برای آزمون انتخاب می‌شود،.
یافته‌ها: روش پیشنهادی، دقت تشخیص بالاتری دارد که نسبت به روش‌های موجود باعث افزایش بیش از 10درصد در دقت تشخیص در بسیاری از موارد گردیده است. دقت بالای تشخیص و طبقه‌بندی و سرعت بالای همگرایی به نتیجه نهایی، از ویژگی‌های این پژوهش نسبت به سایر تحقیقات است.
نتیجه‌گیری: سیستم اتوماتیک تشخیص و طبقه‌بندی سرطان پوست بر مبنای یادگیری عمیق، با دقت و سرعت مطلوبی ارائه می‌شود.
نوع مطالعه: مقاله اصیل پژوهشی |
موضوع مقاله:
انكولوژي
دریافت: 1397/4/17 | پذیرش: 1397/8/5 | انتشار الکترونیک: 1397/12/26
دریافت: 1397/4/17 | پذیرش: 1397/8/5 | انتشار الکترونیک: 1397/12/26
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
Attribution-NoneCommercial CC BY-NC