NATIONAL BIBLIOGRAPHY NUMBER
Number
T26983
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
انگلیسی
TITLE AND STATEMENT OF RESPONSIBILITY
Title Proper
Lung cancer Classification using an ensemble of CNNs Method in CT Scan Images
General Material Designation
Dissertation
First Statement of Responsibility
Ghufran Abbas Betti Alhussein
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
Engineering Computer Engineering
Date of Publication, Distribution, etc.
1401
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
72p.
Other Physical Details
cd
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
M.S.
Discipline of degree
MSc Dissertation
Date of degree
1401/04/21
SUMMARY OR ABSTRACT
Text of Note
Abstract: Lung cancer is one of the main reasons for death in the world among both men and women, with an impressive rate of about five million deadly cases per year. In recent past, many lung cancer detection techniques were developed but these could not diagnose cancer efficiently. In this research work, robust deep learning convolutional neural network (CNN) is employed. The precision of a convolutional neural network increases the deeper it is, but at the same time it causes over-fitting or vanishing gradient problem and a single learner sometimes presents unsatisfied performance due to the issues of limited hypothesis space or falling into local minima, or wrong selection of hypothesis space. To solve this problems, we resort to a parallel CNN. The proposed model consists of CNN models the results of the models are combined through ensemble methods and compare it with each models. The simulation results show that the accuracy of the proposed method has improved by 2.38% compared to the basic paper method.
Text of Note
سرطان ریه یکی از مهم‌ترین دلایل مرگ و میر در جهان در بین زنان و مردان است که نرخ تاثیرگذار حدود پنج میلیون مورد کشنده در سال رخ می‌دهد. در گذشته نه چندان دور، بسیاری از تکنیک‌های تشخیص سرطان ریه ایجاد شده است، اما این روش‌ها نمی توانند به طور موثر سرطان را تشخیص دهند. در این کار تحقیقاتی، از شبکه عصبی کانولوشن یادگیری عمیق قوی (CNN) استفاده می‌شود. صحت یک شبکه عصبی کانولوشن، عمق آن را افزایش می‌دهد، . دقت یک شبکه عصبی کانولوشنال هر چه عمیق‌تر باشد افزایش می‌یابد، اما در عین حال باعث ایجاد مشکل گرادیان بیش از حد برازش یا ناپدید شدن می‌شود و گاهی اوقات یک یادگیرنده به دلیل مسائل فضای فرضیه محدود یا قرار گرفتن در حداقل‌های محلی، عملکرد ناراضی ارائه می‌کند. انتخاب اشتباه فضای فرضیه. برای حل این مسئله، ما به یک CNN موازی متوسل می‌شویم. مدل پیشنهادی از مدل‌های CNN تشکیل می‌شود که نتایج مدل‌ها از طریق روش‌های گروهی ترکیب می‌شود و آن را با هر مدل مقایسه می‌کند. نتایج شبیه سازی نشان می دهد که دقت روش پیشنهادی نسبت به روش مقاله پایه 2.38% درصد بهبود داشته است.
OTHER VARIANT TITLES
Variant Title
طبقه بندی سرطان ریه با استفاده از یک گروه از روش های CNN در تصاویر ریه CT
UNCONTROLLED SUBJECT TERMS
Subject Term
convolutional neural network (CNN) , Lung cancer, Deep learning.
Subject Term
شبکه عصبی کانولوشن (CNN)، سرطان ریه، یادگیری عمیق.
PERSONAL NAME - PRIMARY RESPONSIBILITY
Entry Element
Abbas Betti Alhussein,
Part of Name Other than Entry Element
Ghufran
Relator Code
Producer
PERSONAL NAME - SECONDARY RESPONSIBILITY
Entry Element
Tanha,
Entry Element
Pashazadeh,
Part of Name Other than Entry Element
Jafar
Part of Name Other than Entry Element
Saeed
Relator Code
Thesis advisor
Relator Code
Consulting advisor
CORPORATE BODY NAME - SECONDARY RESPONSIBILITY
Entry Element
Tabriz
ORIGINATING SOURCE
Country
ایران
Agency
Centeral Library of Tabriz
LOCATION AND CALL NUMBER
Call Number
ارشد پایاننامه QA76.A22 1401
ELECTRONIC LOCATION AND ACCESS
Electronic name
Ghufran Abbas Betti Alhussein
Contact for access assistance
عبادی
e
TL
276903
a
Y
