دانلود ترجمه مقاله دسته بندی سرطان ریه با استفاده از شبکه های عصبی

1. مقدمه 2. قطعه بندی تصویر 3. پارامترهای آماری 3.1. میانگین 3.2. انحراف معیار 3.3. چولگی 3.4. کشیدگی 3.5. گشتاور مرکزی مرتبه پنجم و ششم 4. شبکه عصبی مصنوعی 4.1. شبکه عصبی پیشخور 4.2. شبکه عصبی پیشخورِ انتشار به عقب 4.3. انواع توابع آموزشی مورد استفاده برای طبقه بندی 4.4. کاهش گرادیان انتشار به عقب (traingd) 4.5. کاهش گرادیان با نرخ یادگیری متغیر (traingda) 4.6. کاهش گرادیان با گشتاور (traingdm) 4.7. کاهش گرادیان با نرخ یادگیری متغیر و گشتاور (traingdx) 4.8. انتشار به عقب بازگشتی (trainrp) 4.9. الگوریتم های گرادیان مزدوج 4.10. الگوریتم گوسی نیوتن BFGS (trainbfg) 4.11. الگوریتم متقاطع یک مرحله ای (trainoss) 4.12. الگوریتم لونبرگ-مارکارد (trainlm) 4.13. تنظیم خودکار (trainbr) 4.14. توابع آموزشی پیشنهادی 4.14.1. تابع آموزشی اول 4.14.2. تابع آموزشی دوم 5. نتایج تجربی 5.1. حساسیت 5.2. تشخیص 5.3. دقت 6. نتیجه گیری

نتیجه گیری: در این مقاله، یک روش قطعه بندی و طبقه بندی رایانه ای پیشنهاد شده است. برای انجام قطعه بندی و طبقه بندی تصاویر از عملگرهای مورفولوژیک بر روی شبکه های عصبی مختلف استفاده شده است. در تصاویر قطعه بندی شده، منطقه ی مورد توجه ما برشی است که از دو ریه تشکیل شده است. در اینجا به عنوان ویژگی های موردنیاز برای طبقه بندی از پارامترهای آماری استفاده شده است. برای دستیابی به بالاترین دقت طبقه بندی، پارامترهای آماری مختلفی همچون میانگین، انحراف معیار، کشیدگی، گشتاور مرکزی مرتبه ی پنجم، گشتاور مرکزی مرتبه ی ششم و چولگی، با یکدیگر مقایسه شده اند. با استفاده از پارامتر چولگی بین 5 تا 8 درصد در دقت طبقه بندی بهبود ایجاد می شود. در میان 13 تابع آموزشی که از قبل موجود بودند، تابع آموزشیِ traingdx به بالاترین دقت طبقه بندی برابر با 91.11% دست یافت. تابع آموزشی پیشنهادی اول به دقت طبقه بندیِ 93.3%، تشخیصِ 100% و حساسیتِ 91.4% دست یافت. تابع آموزشی پیشنهادی دوم به دقت طبقه بندیِ 93.3% و میانگین مربعات خطای 0.0942 دست یافت. عملکرد سیستمِ CAD پیشنهادی، با 2 FPs/scan دارای حساسیتِ 82% است که این دقت با 30 FPs/scan به 91.4% افزایش می یابد. حساسیت به عنوان درصد برش های قطعه بندی شده ای که شامل توده سرطانی هستند و به درستی به عنوان سرطانی طبقه بندی شده اند، محاسبه می شود. طبقه بندی نادرست در تصاویری اتفاق می افتد که در آنها توده های سرطانی در نزدیکی پرده ی ریه واقع شده اند.

Conclusion: A computer aided segmentation and classification method is proposed. Morphological operations are used for segmentation and classification is done by different neural networks. The region of interest is the segmented single slices containing 2 lungs. The statistical parameters are used as features for classification. Compared to the statistical parameters like mean, standard deviation, kurtosis, fifth central moment and sixth central moment, skewness gives the maximum classification accuracy. There is 5–8% increase in classification accuracy for skewness. Among the already available thirteen training functions, the traingdx training function gives the maximum classification accuracy of 91.11%. The proposed training function 1 gives classification accuracy of 93.3% with a specificity of 100% and sensitivity of 91.4%. The proposed training function 2 gives classification accuracy of 93.3% and mean square error of 0.0942. The performance of the proposed CAD system is good with a sensitivity of 82% with 2 FPs/scan, which is increased to 91.4% with 30 FPs/scan. The sensitivity is measured as the percentage of segmented slices containing cancerous nodule is correctly classified as cancerous. The mis-classification occurred in the images where the cancer nodule is located near the pleural side of the lungs.