Classification of Breast Cancer Using Histological Image by Convolutional Neural Network
| العنوان بلغة أخرى: |
تصنيف سرطان الثدي باستخدام صورة الخزعة عن طريق الشبكة العصبية التلافيفية |
|---|---|
| المؤلف الرئيسي: | مناصرة، هديل محمد أحمد (مؤلف) |
| مؤلفين آخرين: | القرعان، هيام (مشرف) , الجراح، محمد (مشرف) |
| التاريخ الميلادي: |
2019
|
| موقع: | إربد |
| الصفحات: | 1 - 59 |
| رقم MD: | 974299 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة اليرموك |
| الكلية: | كلية تكنولوجيا المعلومات وعلوم الحاسوب |
| الدولة: | الاردن |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
72
| المستخلص: |
سرطان الثدي هو السرطان الثاني الذي يسبب الوفاة. في الواقع، سنويا هناك 200000 حالة تشخيص سرطان الثدي في الولايات المتحدة الأمريكية وحدها. يحتاج تشخيص سرطان الثدي إلى فحص الماموجرام، وينقسم سرطان الثدي إلى نوعين هما السرطان والساركوما. السرطان هو واحد مشترك ويمثل 80% من النسبة المئوية الكاملة لسرطان الثدي. الشبكات العصبية الوراثية (CNNs) هي نوع خاص من شبكة التغذية العميقة إلى الأمام، وهي طريقة تصنيف جديدة للغاية. يحتوي على طبقات أساسية تقع في جميع البنى ولكن الفرق بين هذه البنى هو ترتيب هذه الطبقات ومعلمة الطبقات مثل حجم الفلتر وخطوات الخ. تقترح هذه الدراسة طريقة التعلم العميق لتصنيف صور نسيج الثدي الملون E& H المأخوذة من BreakHis باستخدام شبكة GoogLeNet العصبية التلافيفية .(CNN) يتم تصنيف هذه الصور إلى فئتين هما: 1) ورم حميد، و2) ورم خبيث. تتمثل استراتيجيتنا في تصنيف قاعدة البيانات الكاملة -الصور الملونة -بعد تغيير حجمها باستخدام. GoogLeNet يتم تصنيف كل صورة في واحدة من الفئات المذكورة أعلاه. يتم تحديد فئة الصورة بأكملها باستخدام الطريقة المضمنة في CNNs وهي الطبقة المتصلة بالكامل وطبقات التصنيف؛ هناك طبقة أخرى قبل ذلك والتي سيتم مناقشتها في وقت لاحق. تتدفق عملية التصنيف لتصل إلى الطبقة المتصلة بالكامل وتعطينا طبقات التصنيف فئة الصور التي تم اختبارها بعد تدريب مجموعة من صور التدريب. علاوة على ذلك، يتم إجراء المقارنة بين نتائج التحسين الثلاث العميقة للتعلم بعد استخدامها لتكييف المعلمات الزائدة ل GoogLeNet الخوارزمية تتكون قاعدة بيانات الصور من 9.109 صورة مجهرية ذات تكبيرات مختلفة. تنقسم الصور إلى 2.480 حميدة و5.429 صورة خبيثة بحجم .700 * 460 بكسل و3 قنوات RGB و8 بت. من أجل تصنيف GoogLeNet والتكيف، اكتسب استخدام SGDM دقة 86.52%، في حين اكتسب استخدام ADAM دقة 95.03%، وحصلت RMSprop على دقة 96.27%. علاوة على ذلك، نقترح في المستقبل استخدام مجموعة بيانات أكبر للتحقق من صحة التصنيف، باستخدام طريقة أخرى لاستخراج المنطقة لتعزيز الدقة، وتحسين بنية قناة CNN وإجراء تغيير فيها لتحسين الدقة. كما يجب استخدام عدة أنواع من المصنفات، ويجب مقارنة نتائج كل منها بإيجاد أفضل مصنف لمرض سرطان الثدي. كما يقترح استخدام تعديل خوارزمي إضافي من أجل تقليل الوقت الحسابي لتنفيذ النظام المقترح. |
|---|
عناصر مشابهة
-
Medical Image Classification with Convolutional Neural Network
بواسطة: Naimi, Mohamed Chouaib منشور: (2021) -
Modified Classification for Brain Tumors in Magnetic Resonance Imaging "MRI" Using Region Convolutional Neural Networks "R-CNN"
بواسطة: الكيلاني، عبدالقادر وليد منشور: (2020) -
Cloud Based Breast Cancer Diagnostic Using Convolutional Neural Network
بواسطة: جميل، سميح قاسم محمد منشور: (2020) -
Computer Aided Diagnosis of Breast Cancer Using Image ProcessingTechniques and Neural Networks with Logistic Regression
بواسطة: Suleiman, Rajaa Faraj Mahmoud منشور: (2015) -
NAS-Based CNN Design for Histopathology Image Classification Using NAS Bench-101
بواسطة: ناصر، تسنيم منشور: (2021)
