آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,422 |
| تعداد مقالات | 17,532 |
| تعداد مشاهده مقاله | 56,721,845 |
| تعداد دریافت فایل اصل مقاله | 18,811,280 |
یادگیری عمیق U-Net بهبود یافته با خوشه بندی مبتنی بر الگوریتم ترکیبی کرم شب تاب و بهینه سازی ازدحام ذرات در تشخیص سرطان سینه در تصاویر ماموگرافی | ||
| پردازش سیگنال پیشرفته | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 16 فروردین 1402 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jasp.2023.54109.1209 | ||
| نویسندگان | ||
| نجمه سادات بنی حسینی1؛ وحید قدس* 2 | ||
| 1واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران | ||
| 2گروه برق، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران | ||
| چکیده | ||
| سرطان سینه از بیماری‌های مهم عصر حاضر است که تشخیص درست و زودهنگام آن می‌تواند به روند بهبود بیماری و جلوگیری از مرگ و میر منجر شود. یادگیری عمیق در پردازش تصاویر پزشکی راهکار موثری در کمک به پزشکان در تشخیص این سرطان و شرایط تومور می‌باشد. زیرا تراکم بالای بافت سینه یکی از محدودیت‌ها در تشخیص این بیماری از روی تصاویر ماموگرافی است. در این پژوهش،روشی جدید با استفاده از شبکه عمیق U-Net در ترکیب با خوشه‌بندی فازی و الگوریتم ترکیبی کرم شب تاب و ازدحام ذرات جهت شناسایی، قطعه بندی تومورسرطان سینه ارائه شده است. روش پیشنهادی بر روی مجموعه داده‌های تصاویر ماموگرافی استاندارد شامل DDSM و INbreast مورد بررسی و تحلیل قرار گرفته است. نتایج، نشان دهنده آن است که شبکه عصبی کانالوشن به دقت %97.5 ، روش U-Net به دقت %99.5، روش بهبود یافته U-Net با خوشه بندی فازی و ازدحام ذرات (PSO-FCM-U-Net) به دقت %99.6و روش بهبود یافته U-Netبا خوشه‌بندی فازی و کرم شب تاب و ازدحام ذرات (FFPSO-FCM-U-Net) به دقت %99.8رسیده است. در حالت کلی، نتایج دقت تشخیص سرطان سینه با مدل پیشنهادی U-Net بهبود یافته پیشنهادی، نتایج نویدبخشی را ثمر داد. | ||
| کلیدواژه‌ها | ||
| یادگیری عمیق U-Net؛ سرطان سینه؛ ماموگرافی؛ خوشه بندی؛ الگوریتم کرم شب تاب | ||
|
آمار تعداد مشاهده مقاله: 846 |
||