شماره ركورد كنفرانس :
5545
عنوان مقاله :
بكارگيري تئوري شواهد دمپستر- شافر براي ادغام شبكه‌هايCNN و U-Netاز تصاويرهيستوپاتولوژي
پديدآورندگان :
پورشايگان صفيه s.p.shaigan@gmail.com دانشجوي دكتري، گروه مهندسي كامپيوتر، دانشكده فني و مهندسي، دانشگاه آزاد اسلامي، گرگان، ايران , بزازي امين aminbazzazi@gmail.com استاديار، گروه مهندسي كامپيوتر، واحد گرگان، دانشگاه آزاد اسلامي، گرگان، ايران , خيرآبادي محمدتقي mtkheirabadi383@gmail.com استاديار، گروه مهندسي كامپيوتر، واحد گرگان، دانشگاه آزاد اسلامي، گرگان، ايران
كليدواژه :
شبكه عصبي كانولوشن(CNN) , شبكه U-Net , تصاوير هيستوپاتولوژي , تئوري شواهد دمپستر-شافر , ديجيتال پاتولوژي
عنوان كنفرانس :
چهارمين كنفرانس ملي چالش ها و راهبردهاي نوين در مهندسي برق و كامپيوتر ايران
چكيده فارسي :
طبق آمار GLOBOCAN 2020، سرطان يكي از علل اصلي مرگ و مير است. تاكنون، پيشرفت چشمگيري در تشخيص بافت‌هاي سرطاني صورت گرفته و منجر به كاهش مرگ و مير و بهبود كيفيت زندگي شده است، در اين ميانيكي از روش‌هاي تشخيص،يادگيري عميق(DL) است. پاتولوژي ديجيتال(DP)،بافت‌هاي سلولي رابه دسته‌هاي خوش‌خيم و بدخيمطبقه بندي مي‌كند. مسئله اين است، برخي داده‌هاي نامطمئن وجود دارد كه درمواجهه با آنها بايد طبقه‌بند موثرتري بكار برد. نظريه‌هاي احتمال كلاسيك دقت پاييني در تشخيص داده‌هاينامطمئن دارند، بنابراين نياز به ارائه روش‌هايي براي رفع اينمسئلهاست. اين مقاله تئوري شواهد دمپستر-شافر(DST)، براي ادغام توابع جرم جهت طبقه‌بندي تصاوير هيستوپاتولوژيك و بهبود دقت تشخيص، پيشنهاد مي‌كند. روش پيشنهادي، تركيب طبقه‌بندي هاي مرسوم شبكه عصبي كانولوشن(CNN) و شبكهU-NET است. يك رمزگذار كانولوشن سفارشي برايآموزش مجموعه تصاويرورودي از تصاويرتمام اسلايد(WSI) استفاده مي‌شود و پس از استخراج ويژگي‌ها، آنها را در ابعاد پايين‌تر فشرده مي‌كند و فرآيند بازسازي تكه‌هايWSI112×112×3 انجام مي‌شود. براي ارزيابي عملكرد، آموزش شبكه‌ها بر روي مجموعه داده‌هايپاتولوژيBACHصورت گرفت. چارچوب معرفي‌شده در اين مطالعه، نتايج حاصل از ادغام را گزارش مي‌كند و به دقت كلي98 درصد دست يافت، دقت در مقايسه با روش‌هايCNN و U-Net بهبود يافته است.
