DeepCPC: Deep Learning Model for Colorectal Polyps Classification
| العنوان بلغة أخرى: |
DeepCPC: نموذج التعلم العميق لتصنيف سلائل أورام القولون والمستقيم |
|---|---|
| المؤلف الرئيسي: | طه، ديمة حسين (مؤلف) |
| مؤلفين آخرين: | الزعبي، أحمد غازي (مشرف) |
| التاريخ الميلادي: |
2020
|
| موقع: | عمان |
| الصفحات: | 1 - 69 |
| رقم MD: | 1130386 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة الشرق الأوسط |
| الكلية: | كلية تكنولوجيا المعلومات |
| الدولة: | الاردن |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
35
| المستخلص: |
سرطان القولون والمستقيم هو مرض صامت يهاجم دون سابق إنذار، ولكن في كثير من الحالات، يكون العلاج ممكنا عند اكتشافه مبكرا. تلعب اختبارات الفحص دورا مهما في تحديد الأورام الحميدة قبل أن تصبح سرطانية، حيث يعتبر تنظير القولون أكثر فعالية مقارنة بالاختبارات الأخرى. على مدى العقود القليلة الماضية، كان تنظير القولون والمستقيم بمساعدة الكمبيوتر موضوعا للبحث، وحقق تقدما كبيرا. ومع ذلك، لا يزال التصنيف التلقائي للأورام في الوقت الفعلي يمثل تحدي صعب، بسبب استخدام الأساليب اليدوية التي لا توفر خصائص تمييزية للصورة. أظهرت الشبكات العصبية التلافيفية العميقة (DCNN) ثورة مهمة أثرت بشكل إيجابي على العديد من المجالات بما في ذلك تصنيف الصور. في مجال صور تنظير القولون، يمكن أن تؤثر العديد من القيود على تصنيف الأورام المستندة إلى DCNN خاصة عدم وجود كمية كافية من عينات التدريب للمرضى، وعدم كفاية وقت التدريب، والموارد اللازمة للشبكات العصبية. في هذه الرسالة، نهدف إلى تطوير نموذج التعلم العميق لتصنيف الأورام الحميدة في القولون والمستقيم على أساس الخصائص التمييزية المستخرجة من الشبكات العصبية التلافيفية العميقة والذي سيشار إليه باسم DeepCPC. على وجه التحديد، نستخدم بعض نماذج الشبكات العصبية التلافيفية التي تم تدريبها مسبقا على الصور ذات الأغراض العامة، لتطبيق مخطط نقل التعلم في نظام تصنيف الأورام الحميدة. تم تحقيق ذلك من خلال ربط مجموعة من خصائص الصور التمييزية المستخرجة من تفعيل الطبقات التلافيفية، ثم ضبط بنية DeepCPC على صور الأورام من خلال إجراء تدريب كامل من طرف إلى آخر. يتكون نموذج DeepCPC من ثلاثة مكونات رئيسية: الطبقات المنخفضة المضبوطة بدقة، وناقل الصور المسلسل، والطبقات العلوية المتصلة بالكامل. تستخدم مجموعة بيانات CVC- ClinicDB لتقييم نموذج DeepCPC، ولكن يجب تطبيق المزيد من استراتيجيات استخراج التصحيح وزيادة الصورة لإثراء التدريب بعينات أكثر من الورم. أظهرت النتائج التجريبية أن DeepCPC يمكن أن يحقق دقة تبلغ 98.4%، مما يؤكد على كفاءته في مساعدة الأطباء بالمنظار لتصنيف الأورام الحميدة وتقليل معدل فقد ورم القولون والمستقيم. |
|---|
عناصر مشابهة
-
A Deep Learning-Based Model for Predicting Survivability of Breast Cancer Patients
بواسطة: الشوحة، بشار حسام منشور: (2020) -
Early Detection of Breast Cancer with Microcalcifications on Mammography Using Deep Learning
بواسطة: Abuharaz, Hafia Mamoun Ismail منشور: (2020) -
Detection of Colorectal Neoplasia by Multigene Methylation Analysis of Circulating Tumor DNA
بواسطة: اصرف، فاتن درويش مصطفى منشور: (2022) -
Immunohistochemical Expression of Cyclin D1 as Marker in Colorectal Carcinoma among Sudanese Patients
بواسطة: بابكر، براءة بابكر حسن منشور: (2018) -
Mutation analysis of repetitive sequences to assess their utility as markers for microsatellite instability in colorectal cancer
بواسطة: Al Masoudi, Kholoud S. منشور: (2009)
