پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 41 |
| تعداد شماره‌ها | 1,129 |
| تعداد مقالات | 9,669 |
| تعداد مشاهده مقاله | 17,610,992 |
| تعداد دریافت فایل اصل مقاله | 12,295,498 |
تشخیص سرطان کبد از تصاویر سی تی اسکن با استفاده از شبکه عصبی پیچشی و ماشین بردار پشتیبانی | ||
| فصلنامه علمی اپتوالکترونیک | ||
| دوره 7، شماره 1 - شماره پیاپی 18، آبان 1403 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30473/jphys.2024.71893.1204 | ||
| نویسندگان | ||
| پگاه داورپناه1؛ سمیه صراف اسماعیلی* 2 | ||
| 1دانشجوی دکتری مهندسی پزشکی، گروه مهندسی پزشکی، واحد علوم و تحقیقات، دانشگاه آزاد اسلا‌می، تهران، ایران | ||
| 2استادیار گروه مهندسی پزشکی، واحد گرمسار، دانشگاه آزاد اسلا‌می، گرمسار، ایران. | ||
| چکیده | ||
| سرطان کبد، به طور عمده، پنجمین سرطان شایع در مردان و هفتمین سرطان شایع در زنان است و سومین علت اصلی مرگ و میر ناشی از سرطان در سراسر جهان است. به طور کلی، این بیماری در زنان کمتر شایع است و در بیشتر مناطق جهان، میزان سرطان کبد مردان به زنان دو تا سه برابر بیشتر است که احتمالاً به دلیل شیوع بیشتر عوامل خطر در مردان و تفاوت‌های جنسی است. در همین رابطه هدف از پژوهش حاضر تشخیص سرطان کبد از تصاویر سی تی اسکن با استفاده از شبکه عصبی پیچشی و ماشین بردار پشتیبانی بوده است. در این پژوهش، یک شبکه عصبی CNN سبک جدید با هفت لایه و فقط یک لایه معمولی برای طبقه‌بندی کبد تقسیم‌بندی شده پیشنهاد شده است. این مدل پیشنهادی در دو مسیر مختلف استفاده شد. مسیر اول از طبقه بندی یادگیری عمیق استفاده نمود و به دقت 83.7% و95.9% دست یافت. در همین حال، مسیر دوم از ویژگی های استخراج شده به طور خودکار همراه با یک طبقه بندی کننده ماشین بردار پشتیبانی (SVM) استفاده نمود و به دقت 95.9% و 97.9% دست یافت. شبکه پیشنهادی سبک، سریع، قابل اعتماد و دقیق است. این رویکرد می تواند توسط یک متخصص انکولوژی مورد استفاده قرار گیرد، که تشخیص را به یک کار ساده تبدیل می‌کند. علاوه بر این، شبکه پیشنهادی دقت بالایی را بدون تنظیم تصاویر بدست می‌آورد که باعث کاهش زمان و هزینه می‌گردد. | ||
| کلیدواژه‌ها | ||
| تشخیص سرطان کبدی؛ شبکه عصبی پیچشی؛ ماشین بردار پشتیبانی | ||
| عنوان مقاله [English] | ||
| Detection of liver cancer from CT scan images using convolutional neural network and support vector machine | ||
| نویسندگان [English] | ||
| Pegah Davrpanah1؛ Somayeh Saraf Esmaili2 | ||
| 1Ph.D. Student in Biomedical Engineering, Department of Biomedical Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran. | ||
| 2Assistant Professor, Department of Biomedical Engineering, Garmsar Branch, Islamic Azad University, Garmsar, Iran. | ||
| چکیده [English] | ||
| Liver cancer is the fifth most common cancer in men and the seventh most common cancer in women, and is the third leading cause of cancer-related deaths worldwide. In general, the disease is less common in women, and in most regions of the world, the rate of liver cancer in men is two to three times higher than in women, which is probably due to the higher prevalence of risk factors in men and gender differences. In this regard, the aim of this research was to detect liver cancer from CT scan images using convolutional neural network and support vector machine. In this research, a new lightweight CNN neural network with seven layers and only one conventional layer is proposed for segmented liver classification. This proposed model was used in two different ways. The first path used deep learning classification and achieved 83.7% and 95.9% accuracy. Meanwhile, the second route used automatically extracted features together with a support vector machine (SVM) classifier and achieved 95.9% and 97.9% accuracy. The proposed network is lightweight, fast, reliable and accurate. This approach can be used by an oncologist, making detection a simple task. In addition, the proposed network achieves high accuracy without adjusting images, which reduces time and cost. | ||
| کلیدواژه‌ها [English] | ||
| Detection of liver cancer, convolutional neural network, support vector machine | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 53 |
||