عنوان

تشخیص ناهنجاری‌های مربوط به سرطان سینه با استفاده از تصاویر ماموگرافی و روش‌های یادگیری عمیق

شماره

پ۲۷۲۰۶

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

تشخیص ناهنجاری‌های مربوط به سرطان سینه با استفاده از تصاویر ماموگرافی و روش‌های یادگیری عمیق

نام نخستين پديدآور

امیرحسین اقدسی زکریا

نام ناشر، پخش کننده و غيره

مهندسی برق و کامپیوتر

تاریخ نشرو بخش و غیره

۱۴۰۱

نام خاص و کميت اثر

۹۲ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی پزشکی گرایش بیوالکتریک

زمان اعطا مدرک

۱۴۰۱/۰۶/۱۹

متن يادداشت

در بیماری سرطان، قسمتی از سلول‌های بدن به‌طور غیر‌عادی رشد و تکثیر می‌یابند و سلول‌های مرده در بدن توسط سلول‌های جدید و زنده جایگزین نمی‌شود. در نتیجه تومور ایجاد می‌شود. این تومورها به قسمت‌های مختلف بدن هجوم برده و همین رویه، باعث ایجاد تومورهای دیگر می‌گردد. سرطان سینه (پستان) یکی از دلایل اصلی مرگ ‌و میر در بین زنان (دومین علت مرگ ‌و میر پس از سرطان ریه) ‌می‌باشد. از آنجا که روشی قطعی برای پیشگیری از این بیماری وجود ندارد؛ بنابراین تشخیص سریع بیماری، نقش به‌سزایی در نجات فرد و تسریع در روند درمان بیماری دارد. تشخیص سرطان سینه معمولاً بر اساس الگوی یادگیری نظارت‌شده اجرا می‌گردد؛ به‌نحوی ‌که پس از آموزش با تصاویر اولیه، جهت عملیات شناسایی موارد جدید به سیستم عرضه می‌شود و بر اساس الگوهای موجود، عمل تشخیص انجام می‌گیرد. روش پیشنهادی این تحقیق، ترکیبی از دو روش نظارت‌شده (مبتنی بر الگو) و فاقد نظارت است. ابتدا استخراج گوشه‌ها به روش هریس _ لاپلاس انجام می‌شود و از روش فرا ابتکاری گرگ خاکستری بر اساس تابع برازش ابداعی، بهترین بخش از تصویر که حاوی گره‌های لبه بیشتری است و تفاوت پیکسلی زیادی دارد؛ گزینش می‌گردد. بدینترتیب بخشی از تصویر که دارای بیشترین توصیف‌کنندگی است، از تصویر اصلی استخراج و به شبکه عصبی YOLO، داده می‌شود تا دقت تشخیص افزایش و پیچیدگی محاسباتی کاهش یابد. در ادامه، از یک روش فاقد نظارت مبتنی بر خوشه‌بندی FCM استفاده می‌شود. برای شبیه‌سازی از نرم‌افزار متلب استفاده می‌شود. مجموعه داده استفاده‌شده در این شبیه‌سازی، Inbreast است که برای آموزش و تست عملکرد سیستم پیشنهادی استفاده می‌گردد. پارامتر ارزیابی طرح شامل صحت، دقت، حساسیت و معیار فیشر می‌باشد که بنا بر نتایج شبیه‌سازی، عملکرد روش پیشنهادی نسبت به طرح پایه بهبود داشته و مدل ارائه‌شده توانسته با دقت مطلوبی به تشخیص سرطان سینه بپردازد.

متن يادداشت

Abstract: In cancer, part of the body's cells grow and multiply insignificantly, and the dead cells in the body are not replaced by new, living cells, resulting in a tumor. These tumors invade different parts of the body and this process causes other tumors. Breast cancer is one of the leading causes of death among women (the second leading cause of death after lung cancer). Since there is no definite way to prevent this disease; so, the rapid diagnosis of the disease has a significant role in saving the person and accelerating the treatment process. The diagnosis of breast cancer is usually made based on a supervised learning pattern, so that after training with the initial images, it is presented to the system for the detection of new cases, and the diagnosis is made based on existing patterns. The proposed design of this research is a combination of two supervised and unsupervised methods (based on pattern) and no supervision. First, the corners are extracted using the Harris Laplace method, and the best part of the image, which contains more edges and has a large pixel difference, is selected from the gray wolf optimization method based on the innovative fitness function. In this way, the most descriptive part of the image is extracted from the original image and given to the YOLO neural network to improve detection accuracy and reduce computational complexity. Then, an unsupervised method based on FCM clustering was used. MATLAB software was used for simulation. The data set used in this simulation is Inbreast, which was used to train and test the performance of the proposed system. The design evaluation parameters include accuracy, precision, recall and F-measure. According to the simulation results, the performance of the proposed design has improved compared to the basis and the proposed model has been able to diagnose breast cancer with desirable accuracy.

عنوان گونه گون

Diagnosis of breast cancer abnormalities using mammography images and deep learning techniques

عنصر شناسه اي

اقدسی زکریا‏،‏

ساير عناصر نام

‏امیرحسین

کد نقش

تهيه کننده

عنصر شناسه اي

مشگینی، ‏

عنصر شناسه اي

‏سرباز،

ساير عناصر نام

‏‏سعید

ساير عناصر نام

یاشار

تاريخ

استاد راهنما

تاريخ

استاد راهنما

عنصر شناسه اي

‏تبریز