عنوان

ناحیه‌بندی و طبقه‌بندی سلول‌های سرطانی دهانة رحم در تصاویر پاپ‌اسمیر

Country Code

IR

Number

۴۶۴۲پ

.Language of Text, Soundtrack etc

فارسی

Country of publication

IR

Title Proper

ناحیه‌بندی و طبقه‌بندی سلول‌های سرطانی دهانة رحم در تصاویر پاپ‌اسمیر

General Material Designation

[پایان‌نامه]

Parallel Title Proper

Segmentation and Classification of Cervical Cancer Cells in Pap Smear Images

First Statement of Responsibility

/نسترن حیدری

Name of Publisher, Distributor, etc.

: مهندسی پزشکی

Date of Publication, Distribution, etc.

، ۱۴۰۱

Specific Material Designation and Extent of Item

۸۳ص.

Other Physical Details

:

Text of Note

زبان: فارسی

Text of Note

زبان چکیده: فارسی

Text of Note

چاپی - الکترونیکی

Text of Note

مصور، جدول، نمودار

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی پزشکی- بیوالکتریک

Date of degree

۱۴۰۱/۰۶/۰۱

Body granting the degree

صنعتی سهند

Text of Note

پیش سرطان، تغییرات سلولی هستند که اگر با روش صحیح درمان نشوند ممکن است به نوع سرطانی تبدیل شوند .سرطان نوعی از بیماری است که در آن سلول‌های غیرطبیعی به‌صورت کنترل نشده تکثیر یافته و می‌توانند بافت‌های مجاور را درگیر کنند .سرطان قابل پیشگیری است و با تشخیص به‌موقع قابل درمان می‌باشد .سرطان دهانة رحم به لحاظ میزان شیوع در رده‌بندی چهارم قرار دارد .آزمون پاپ‌اسمیر برای تشخیص زودهنگام سرطان و پیش سرطان رحمی در کشور متأسفانه اغلب به‌صورت نمونه‌گیری از بافت موردمطالعه و شمارش و تشخیص سلول‌های نمونه بر روی لام میکروسکوپ و به‌صورت دستی انجام می‌شود .این روش پرهزینه و زمان‌بر بوده و احتمال بروز خطای انسانی در آن بسیار بالا است که موجب کاهش صحت، دقت و حساسیت نتایج می‌شود .نمونه‌های غربالگری پاپ اسمیر خودکار با اینکه دارای مشکلات بالا نیستند ولی دارای نقصان‌های عملیاتی نظیر بروز خطاهای غربالگری هستند .در این مطالعه روشی نوین و خودکار مبتنی بر الگوریتم‌های یادگیری ژرف ارائه گردیده است که بتوان مشکلات نامبرده را حذف یا به طریقی به حداقل رساند .مطالعه‌ی حال حاضر استفاده از یک سیستم هوشمند را پیشنهاد می‌دهد که تصاویر پاپ‌اسمیر را با استفاده از یادگیری ژرف به‌منظور تشخیص دش‌ریختی رحمی( رشد نابهنجار بافت ها یا اندام) دسته‌بندی می‌کند .در این تحقیق تصاویر پاپ اسمیر موجود در پایگاه‌دادة هرلو جهت آموزش و ارزیابی به‌عنوان ورودی در اختیار الگوریتم پیشنهادی قرار می‌گیرد .گام اول از الگوریتم پیشنهادی بخش پیش‌پردازش داده‌هاست .در این گام با اعمال یک مرحله نرمال‌سازی و تغییر اندازه تصاویر، داده‌ها برای استفاده در الگوریتم یادگیری ژرف پیشنهادی آماده می‌گردند .گام بعدی و اصلی الگوریتم پیشنهادی یک شبکه ژرف جدید است که با الهام از شبکه‌های ژرفNet - Uو ResNet در قالب یک دیدگاه یکپارچه متشکل از دو زیرشبکه ناحیه‌بندی و طبقه‌بندی طراحی شده است .آموزش شبکه پیشنهادی در دو گام آموزش صورت می‌گیرد .در گام اول زیرشبکه‌های ناحیه‌بندی و طبقه‌بندی به‌صورت موازی، مستقل و تحت نظارت آموزش می‌بینند و در گام دوم با به‌کارگیری نتایج و ROI حاصل از گام اول طبقه‌بندی در گام دوم نهایی می‌گردد .ارزیابی روش به‌کمک معیارهایی همچون صحت، دقت و حساسیت با دیگر تحقیقاتی که در این زمینه صورت‌گرفته، مورد مقایسه قرارگرفته است .صحت، دقت و حساسیت روش پیشنهادی در طبقه‌بندی تصاویر پایگاه‌داده هرلو به‌ترتیب برابر ۹۹/۴۲ ، ۹۲/۳۰ و ۱۰۰ است .براساس نتایج می‌توان نتیجه گرفت روش پیشنهادی به‌کمک ایجاد توجه بیشتر با به‌کارگیری ROI تولید شده در بخش ناحیه‌بندی در قالب یک الگوریتم یکپارچه ناحیه‌بندی و طبقه‌بندی با تعداد گام آموزشی کمتر به نتایج بهتری دست‌یافته است.

Text of Note

Pre-cancers are cell changes that if not treated correctly, these cells may become cancerous. Cancer is a type of disease in which abnormal cells proliferate in an uncontrolled way and can involve nearby tissues. Cancer is preventable and can be treated with a timely diagnosis. Cervical cancer ranks fourth in terms of prevalence. Pap smear test for early detection of uterine cancer in the country, unfortunately, is often done manually by sampling the under study tissue, and counting and identifying the sample cells on a microscope slide. This method is expensive and time-consuming, and the probability of human error is very high, which reduces the accuracy, precision, and sensitivity of the results. Although automatic pap smear screening samples, do not have aformantion problems, they have operational deficiencies like the occurrence of screening errors. In this study, a new and automatic method has been presented to eliminate or minimize the mentioned problems. The current study suggests the use of an intelligent system that categorizes pap smear images using deep learning to detect uterine dysplasia (abnormal growth of tissues or organs). In this research, pap smear images available in the Herlev database are provided as input to the proposed algorithm for training and evaluation. The first step of the proposed algorithm is the data preprocessing section. In this step, by image normalization and resizing, the data is prepared for use of the proposed deep learning algorithm. The next and main step of the proposed algorithm is a new deep network, which is inspired by U-Net and ResNet deep networks in the form of an integrated view consisting of two sub-networks of segmentation and classification. There is a 2-step training of the proposed network. In the first step, the segmentation and classification sub-networks are trained in parallel, independently, and under supervision, and in the second step, by applying the results and ROI obtained from the first step, the classification is finalized in the second step. The evaluation criteria in the classification of Herlev database images such as accuracy, precision, and sensitivity of the proposed method as 99.42 , 92.30 , and 100 , respectively have been compared by other comparable research. So, it can be concluded that the proposed unified segmentation and classification algorithm has achieved better results with the help of creating more attention by using the ROI generated in the segmentation section with fewer training steps.

ba

Parallel Title

Segmentation and Classification of Cervical Cancer Cells in Pap Smear Images

سلول‌های دهانه رحم

ناحیه‌بندی

طبقه‌بندی

پاپ‌اسمیر

یادگیری ژرف

خودکار

Subject Term

cervical cells, segmentation, classification, pap smear, deep learning, automatic

Subject Term

سلول‌های دهانه رحم، ناحیه‌بندی، طبقه‌بندی، پاپ‌اسمیر، یادگیری ژرف، خودکار

حیدری، نسترن

شامخی، سینا، استاد راهنما

Country

ایران

Date of Transaction

20230617

Call Number

پزشکی.م ،۱۰۰۷۲ ،۱۴۰۱

Host name

ریمساپ‌اپ‍ ریواصت‍ رد م‌حر ةناهد ی‌ناطرس‍ ی‌اهل‌ولس‍ ی‌دنبه‌قبط و ی‌دنبه‌یحان‍.pdf

Access number

عادی

Compression information

عادی

Date and Hour of Consultation and Access

9118.pdf

Date and Hour of Consultation and Access

pm10072.pdf

Bits per second

0

Contact for access assistance

ایمانی

Electronic Format Type

متن

File size

0

Record control number

پ۴۶۴۲

Public note

فارسی

نمایه‌سازی قبلی

pe

TF

92029

1

a

Y