>
Fa   |   Ar   |   En
   طبقه‌بندی و تشخیص درجه‌ی بدخیمی سرطان پروستات با استفاده از ترکیب ویژگی‌های عمیق و ویژگی‌های آماری بافت تصاویر پاتولوژی  
   
نویسنده سزاوار امیر ,فرسی حسن ,فرسی فریما
منبع مهندسي پزشكي زيستي - 1397 - دوره : 12 - شماره : 4 - صفحه:341 -355
چکیده    سرطان پروستات، به عنوان یکی از مهم ترین بیماری های مردان به شمار می‌رود. تشخیص زودهنگام و به موقع این بیماری و درجه ی پیش‌رفت آن، به روند درمان و جلوگیری از سرایت بیماری به سایر بافت ها، کمک شایانی می کند. به منظور تعیین درجه ی بیماری، از بافت نمونه‌برداری شده و با بررسی ساختار پاتولوژی، نوع درجه تعیین می گردد. در جدیدترین دسته‌بندی، بافت پروستات به پنج درجه تقسیم بندی می‌شود که درجه ی یک، خوش خیم ترین حالت و درجه ی پنج، نشان دهنده ی وخیم ترین حالت بیماری می‌باشد. با توجه به زمان بر بودن طبقه‌بندی توسط انسان و رشد فناوری هوش مصنوعی، اخیرا این طبقه بندی ها توسط الگوریتم های هوشمند مختلفی انجام می شود. اگر چه امروزه روش های قدرت مندی به منظور توصیف و طبقه بندی تصاویر، ابداع شده، اما وجود فاصله ی معناداری میان ادراک بینایی انسان و ویژگی های سطح پایین استخراج شده توسط الگوریتم ها، مهم ترین چالش در راه دست یابی به دقت مطلوب به شمار می رود. در این مقاله، با ترکیب ویژگی های آماری بافت تصویر و ویژگی های عمیق استخراج شده توسط شبکه ی عصبی کانولوشن عمیق، روش جدیدی ارائه شده است که در آن، استفاده از شبکه‌ی عصبی کانولوشن عمیق، باعث به دست آمدن ویژگی های سطح بالا و عمیقی از تصاویر پاتولوژی شده و با ترکیب این ویژگی‌ها با ویژگی های آماری بافت، دقت طبقه‌بندی افزایش یافته است. به منظور ارزیابی روش پیشنهادی، این روش روی پایگاه داده ی جامعه ی بین المللی آسیب‌شناسی اورولوژی، اعمال شده است. نتایج به دست آمده نشان می دهد که روش پیشنهادی، به دقت بیش‌تری نسبت به سایر روش های مرسوم برای طبقه‌بندی تصاویر پاتولوژی دست یافته است.
کلیدواژه سرطان پروستات، طبقه‌بندی، تصاویر پاتولوژی، ویژگی‌های آماری بافت، شبکه‌ی عصبی کانولوشن عمیق
آدرس دانشگاه بیرجند, دانشکده‌ی مهندسی برق و کامپیوتر, گروه مخابرات, ایران, دانشگاه بیرجند, دانشکده‌ی مهندسی برق و کامپیوتر, گروه مخابرات, ایران, دانشگاه علوم پزشکی مشهد, ایران
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved