عنوان

Lung cancer Classification using an ensemble of CNNs Method in CT Scan Images

شماره

T26983

زبان متن نوشتاري يا گفتاري و مانند آن

انگلیسی

عنوان اصلي

Lung cancer Classification using an ensemble of CNNs Method in CT Scan Images

نام عام مواد

Dissertation

نام نخستين پديدآور

Ghufran Abbas Betti Alhussein

نام ناشر، پخش کننده و غيره

Engineering Computer Engineering

تاریخ نشرو بخش و غیره

1401

نام خاص و کميت اثر

72p.

ساير جزييات

cd

جزئيات پايان نامه و نوع درجه آن

M.S.

نظم درجات

MSc Dissertation

زمان اعطا مدرک

1401/04/21

متن يادداشت

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.

متن يادداشت

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.

عنوان گونه گون

طبقه بندی سرطان ریه با استفاده از یک گروه از روش های CNN در تصاویر ریه CT

اصطلاح موضوعی

convolutional neural network (CNN) , Lung cancer, Deep learning.

اصطلاح موضوعی

شبکه عصبی کانولوشن (CNN)، سرطان ریه، یادگیری عمیق.

عنصر شناسه اي

Abbas Betti Alhussein,

ساير عناصر نام

Ghufran

کد نقش

Producer

عنصر شناسه اي

Tanha,

عنصر شناسه اي

Pashazadeh,

ساير عناصر نام

Jafar

ساير عناصر نام

Saeed

کد نقش

Thesis advisor

کد نقش

Consulting advisor

عنصر شناسه اي

Tabriz

کشور

ایران

سازمان

Centeral Library of Tabriz

شماره بازیابی

ارشد پایاننامه QA76.A22 1401

نام الکترونيکي

Ghufran Abbas Betti Alhussein

ارتباط براي تسهيلات دسترسي

عبادی

فرمت انتشار

e

نوع ماده

TL

کد کاربرگه

276903

سطح دسترسي

a

تكميل شده

Y