روش‌های یادگیری عمیق به منظور تشخیص درمان بهینه‌ سرطان دهانه‌ رحم

عنوان فارسی مقاله:روش‌های یادگیری عمیق به منظور تشخیص درمان بهینه‌ سرطان دهانه‌ رحم

چکیده

اگر تشخیص سرطان دهانه‌ رحم در فاز پیش سرطانی انجام شود، امکان پیشگیری مؤثر از آن وجود دارد. با این وجود، شیوه درمان، به تفاوت‌های فیزیولوژیکی وابسته است و این نیازمند تخصص پزشکی می‌باشد. در این مطالعه ما از روش‌های یادگیری عمیق در بینایی کامپیوتری مثل شبکه‌های عصبی پیچشی و یادگیری انتقال به منظور دسته بندی تصویر دهانه رحم به‌عنوان یکی از سه نوع متفاوت، بهره می‌بریم. در این پژوهش راهبرد‌های آموزشی مثل حذف تصادفی بچ نرمالیزیشن و تقویت تصاویر و راهبرد‌های مجموعه داده مثل مقیاس بندی تابع زیان و برش ارزیابی گردیدند. در عین حال، ما تکنیک‌های پیش‌پردازش تصویر، فیلتر مجموعه داده‌های افزایشی نویز دار (نوفه دار) بر مبنای فاصله از توزیع مجموعه داده و وضوح تصویر با فیلتر کرنل لاپلاس دو بعدی را مد نظر قرار می‌دهیم. بهترین مدل، شامل ResNet آموزش داده شده با ImageNet به‌عنوان استخراج کننده‌ی ویژگی به همراه شبکه‌ی باقی مانده‌ی شبه آغازین عمیق سفارشی است. با استفاده از زیان آنتروپی متقاطع مقوله‌ای به‌عنوان معیار نمره دهی، بهترین مدل، اکنون در رتبه‌ی ۱۲۲ از ۸۲۹ تیم در صفحه‌ی اعلان نتایج کاگل برای این کار با زیان ۰٫۷۴۵۱ قرار دارد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Deep Learning Approaches for Determining Optimal Cervical Cancer Treatment

Abstract

Cervical cancer can be effectively prevented if detected in the pre-cancerous stage. However, the treatment type is dependent on physiological differences, and often this requires medical expertise to determine. We use deep learning approaches in computer vision, such as Convolutional Neural Networks and Transfer Learning, to classify an image of a cervix as one of 3 different types. We experiment with training strategies such as Dropout, Batch Normalization, and Image Augmentation, and dataset strategies such as scaling the loss function and cropping. We also incorporate image preprocessing techniques, filtering a given noisy additional dataset based on distance from the clean dataset distribution and image sharpness with the 2D Laplacian kernel filter. Our best model consists of an ImageNet trained ResNet as a feature extractor combined with a custom deep Inception-like residual network. With the categorical cross entropy loss as the score metric, our best model is currently 122nd place out of 829 teams on the Kaggle leaderboard for this task with a loss of 0.7451.