طبقه بندی سرطان ریه در تصاویر سی تی اسکن، با استفاده از شبکه های عصبی

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

طبقه بندی سرطان ریه در تصاویر سی تی اسکن، با استفاده از شبکه های عصبی

عنوان لاتین

Lung cancer classification using neural networksfor CT images

تشخیص زودهنگام سرطان، امیدوارکننده ترین راه برای افزایش شانس زنده ماندن بیمار است. در این مقاله با استفاده از شبکه های عصبی مصنوعی، روشی برای طبقه بندی تصاویر توموگرفی رایانه ای (تصاویر CT) ریه، ارائه شده است. براساس تصاویر CT، کل ریه قطعه بندی شده است و پارامترها از روی تصاویر قطعه بندی شده محاسبه می شوند. پارامترهای آماری همچون میانگین، انحراف معیار، چولگی، کشیدگی، گشتاور مرکزی مرتبه پنجم و گشتاور مرکزی مرتبه ششم، پارامترهایی هستند که در طبقه بندی مورد استفاده قرار می گیرند. فرایند طبقه بندی، با استفاده از شبکه های عصبی پیشخور و شبکه های عصبی انتشار به عقب انجام می شود. شبکه-های عصبی پیشخورِ انتشار به عقب، در مقایسه با شبکه های عصبی رو به جلو، نتایج بهتری را برای طبقه بندی ارائه می دهند. پارامتر چولگی حداکثر دقت طبقه بندی را ارائه می دهد. در میان سیزده تابع آموزشی موجود برای آموزش شبکه های عصبی انتشار به عقب، تابع آموزشیِ Traingdx بالاترین دقت طبقه بندی را ارائه می-دهد؛ یعنی 91.1%. در این مقاله، دو تابع آموزشی جدید نیز ارائه شده است. نتایج نشان می دهد که اولین تابع آموزشی پیشنهادی به دقتِ 93.3%، تشخیصِ 100%، حساسیتِ 91.4% و حداقل میانگین مربعات خطای 0.998 دست یافته است. دومین تابع آموزشی پیشنهادی نیز به دقتِ 93.3% و حداقل میانگین مربعات خطای 0.0942 دست یافته است.

Early detection of cancer is the most promising way to enhance a patient’s chance for sur-vival. This paper presents a computer aided classification method in computed tomography(CT) images of lungs developed using artificial neural network. The entire lung is segmentedfrom the CT images and the parameters are calculated from the segmented image. The sta-tistical parameters like mean, standard deviation, skewness, kurtosis, fifth central momentand sixth central moment are used for classification. The classification process is done byfeed forward and feed forward back propagation neural networks. Compared to feed for-ward networks the feed forward back propagation network gives better classification. Theparameter skewness gives the maximum classification accuracy. Among the already avail-able thirteen training functions of back propagation neural network, the Traingdx functiongives the maximum classification accuracy of 91.1%. Two new training functions are pro-posed in this paper. The results show that the proposed training function 1 gives an accuracyof 93.3%, specificity of 100% and sensitivity of 91.4% and a mean square error of 0.998. Theproposed training function 2 gives a classification accuracy of 93.3% and minimum meansquare error of 0.0942.