عنوان

Deep Learning Model for Breast Cancer Diagnosis

شماره

T29488

زبان متن نوشتاري يا گفتاري و مانند آن

انگلیسی

عنوان اصلي

Deep Learning Model for Breast Cancer Diagnosis

نام عام مواد

Dissertation

نام نخستين پديدآور

Salman Ali Zakareya

نام ناشر، پخش کننده و غيره

Mathematics, Statistics and Computer Science

تاریخ نشرو بخش و غیره

1402

نام خاص و کميت اثر

89p.

ساير جزييات

cd

جزئيات پايان نامه و نوع درجه آن

Ph.D.

نظم درجات

Computer Science

زمان اعطا مدرک

1402/06/26

متن يادداشت

Breast cancer is one of the most prevalent cancers among women worldwide, and early detection of the disease can be lifesaving. Detecting breast cancer early allows treatment to begin faster, increasing the chances of a successful outcome. Machine learning helps in the early detection of breast cancer even in places where there is no access to a specialist. In the first part of this work, the fully connected Neural Network (FCNN) deep learning architecture is used for diagnosing breast cancer. In addition, the effect of different regularization techniques on ovoid overfitting improves the performance of the designed deep neural network and the selection of the best model. A breast histopathology images dataset called “the Wisconsin Breast Cancer Dataset (WBCD)” was used. The dataset was split into a training set and a test set, with percentages of 80% and 20%, respectively. In terms of size model, the reduced network obtained the highest accuracy and least loss on the training set, and adding the L2 weight regularization (FCNN + L2) model achieved the highest accuracy and the lowest loss on the testing set. Deep-learning models need large data to learn well. For this reason, the existing deep-learning models on medical images cannot work as well as other images. Therefore, in the second and third parts, we tried to overcome this limitation and improve breast cancer classification detection. In the second part of this work, the GoogLeNet framework deep model is implemented to classify breast lesions. The dataset used in this part is for the Cairo University ultrasound images dataset, which was split into a training set and test set, with percentages of 80% and 20%, respectively. The implemented framework shows good performance on the testing set. With the test dataset, the model achieves a loss of 0.5885 and an accuracy of 0.8235. Inspired by two state-of-the-art deep networks, GoogLeNet, and residual block, and developing several new features.In the third part of this work, a new framework CNN deep model is implemented to classify breast lesions. We tried to build a wide and depth network. The proposed model is inspired by GoogLeNet and residual block. Filters with multiple sizes operate on the same level and the outputs are concatenated and sent to the next module. Also, utilizing a shortcut connection, and a learnable activation function instead of traditional activation functions is expected to reduce the time consumption and improve the accuracy of diagnosis. It also decreases the load of doctors. The implemented framework shows good performance on the testing set. With the test dataset, the dataset for Cairo University ultrasound images and breast histopathology images were used. The model achieved a loss of 0.2103 and an accuracy of 0.93.

متن يادداشت

سرطان سینه یکی از شایع ترین سرطان ها در بین زنان در سراسر جهان است و تشخیص زودهنگام این بیماری می تواند نجات دهنده باشد. تشخیص زودهنگام سرطان سینه باعث می شود درمان سریعتر شروع شود و شانس نتیجه موفقیت آمیز افزایش یابد. یادگیری ماشینی به تشخیص زودهنگام سرطان سینه حتی در مکان هایی که دسترسی به متخصص وجود ندارد کمک می کند.در بخش اول این کار، از معماری یادگیری عمیق شبکه عصبی کاملا متصل (FCNN) برای تشخیص سرطان سینه استفاده شده است. علاوه بر این، تأثیر تکنیک‌های منظم‌سازی مختلف بر بیش‌برازش تخمی، عملکرد شبکه عصبی عمیق طراحی‌شده و انتخاب بهترین مدل را بهبود می‌بخشد. یک مجموعه داده تصاویر هیستوپاتولوژی پستان به نام "مجموعه داده سرطان پستان ویسکانسین (WBCD)" استفاده شد. مجموعه داده به ترتیب به یک مجموعه آموزشی و یک مجموعه آزمایشی با درصدهای 80٪ و 20٪ تقسیم شد. از نظر مدل اندازه، شبکه کاهش یافته بیشترین دقت و کمترین تلفات را در مجموعه تمرینی به دست آورد و با اضافه کردن مدل تنظیم وزن L2 (FCNN + L2) بیشترین دقت و کمترین تلفات را در مجموعه تست به دست آورد. مدل های یادگیری عمیق برای یادگیری خوب به داده های بزرگ نیاز دارند. به همین دلیل، مدل های یادگیری عمیق موجود بر روی تصاویر پزشکی نمی توانند به خوبی سایر تصاویر کار کنند. بنابراین در بخش دوم و سوم سعی شد بر این محدودیت غلبه کرد و تشخیص طبقه بندی سرطان سینه را بهبود بخشید.در بخش دوم این کار، مدل عمقی چارچوب GoogLeNet برای طبقه بندی ضایعات پستان پیاده سازی شده است. مجموعه داده مورد استفاده در این بخش برای مجموعه داده های تصاویر اولتراسوند دانشگاه قاهره است که به ترتیب با درصدهای 80 و 20 درصد به مجموعه آموزشی و مجموعه آزمایشی تقسیم شده است. چارچوب پیاده سازی شده عملکرد خوبی را در مجموعه تست نشان می دهد. با مجموعه داده آزمایشی، مدل به ضرر 0.5885 و دقت 0.8235 دست می یابد. با الهام از دو شبکه عمیق پیشرفته، GoogLeNet، و بلاک باقیمانده و توسعه چندین ویژگی جدید.در بخش سوم این کار، یک چارچوب جدید مدل عمیق CNN برای طبقه بندی ضایعات پستان پیاده سازی شده است. ما سعی کردیم یک شبکه گسترده و عمیق بسازیم. مدل پیشنهادی از GoogLeNet و بلاک باقی مانده الهام گرفته شده است. فیلترهایی با اندازه های متعدد در یک سطح کار می کنند و خروجی ها به هم متصل می شوند و به ماژول بعدی ارسال می شوند. همچنین، استفاده از یک اتصال میانبر و یک تابع فعال سازی قابل یادگیری به جای توابع فعال سازی سنتی، انتظار می رود مصرف زمان را کاهش داده و دقت تشخیص را بهبود بخشد. همچنین بار پزشکان را کاهش می دهد. چارچوب پیاده سازی شده عملکرد خوبی را در مجموعه تست نشان می دهد. با آزمون

عنوان گونه گون

مدل یادگیری عمیق برای تشخیص سرطان پستان

اصطلاح موضوعی

فاقد کلید واژه فارسی و لاتین است

عنصر شناسه اي

Ali Zakareya,

ساير عناصر نام

Salman

کد نقش

Producer

عنصر شناسه اي

Izadkhah,

عنصر شناسه اي

Karimpour,

ساير عناصر نام

Habib

ساير عناصر نام

Jaber

کد نقش

Thesis advisor

کد نقش

Consulting advisor

عنصر شناسه اي

Tabriz

کشور

ایران

سازمان

Central Libraary of Tabriz University

شماره بازیابی

دکتری پایاننامه QA76.A5 1402

نام الکترونيکي

Salman Ali Zakareya

ارتباط براي تسهيلات دسترسي

عبادی

فرمت انتشار

e

نوع ماده

TL

کد کاربرگه

276903

سطح دسترسي

a

تكميل شده

Y