بهبود عملکرد شبکه عصبی مصنوعی در دسته بندی خوش خیم و بدخیم بودن سرطان سینه

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 413

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICRSIE02_077

تاریخ نمایه سازی: 11 مرداد 1396

چکیده مقاله:

سرطان سینه یکی از مهمترین عوامل مرگ و میر در میان بانوان در سراسر جهان می باشد. تشخیص توده های تشکیل شده درون بافت سینه، به عنوان توده سرطانی یا غیر سرطانی، همواره چالشی است که پزشکان با آن مواجه هستند. ابزارهای آزمایشی زیادی برای تخمین نوع توده سرطانی بکارگرفته میشوند اما همواره پزشکان به دنبال روشی دقیق و با قابلیت اعتماد بالا هستند. هدف ما در این مقاله بهبود عملکرد شبکه عصبی مصنوعی با الگوریتم پرسپترون چند لایه در راستای دسته بندی توده های سرطانی در دو نوع خوش خیم و بدخیم می باشد که با در اختیار داشتن اطلاعات بیمارانی که دارای توده های سینه ای بوده اند توانسته ایم شبکه عصبی با دقت 87,9 % ایجاد کنیم تا بتواند نوع توده سرطانی را بدست آمده این پژوهش توانسته است عملکرد شبکه عصبی مصنوعی با الگوریتم ROC تشخیص دهد. باتوجه به نمودار پرسپترون چند لایه را 3% بهبود بخشد.

نویسندگان

سید مصطفی میرکاظمی

دانشجوی کارشناسی ارشد مهندسی پزشکی-بیوالکتریک، دپارتمان مهندسی پزشکی، دانشگاه آزاد اسلامی تهران مرکز، تهران، ایران

پردیس نامدارپور

دانشجوی کارشناسی ارشد زیست شناسی- میکروبیولوژی، دپارتمان پزشکی، دانشگاه آزاد اسلامی تهران مرکز، تهران، ایران

کیوان حاجی رعیت

دانشجوی کارشناسی ارشد مهندسی پزشکی-بیومکانیک، دپارتمان مهندسی پزشکی زیستی، دانشگاه آزاد اسلامی تهران شمال، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • American Cancer Society, ،Cancer Facts & Figures 2011, Atlanta, 2011. ...
  • Gonzalez JR, Moreno V, Fernandez E, tquierdo A, Borras J, ...
  • Sariego J. Breast cancer in the young patient. The American ...
  • Giilsin, M., Demirkazyk, F. B., K6ksal, A., and Aryyirek, M., ...
  • Edward, T. B., Rick, K., and Robert, R., Conn's current ...
  • Van De Vijver MJ, He YD, van't Veer LJ, Dai ...
  • Saritas I, Ozkan IA, Sert IU. Prognosis of prostate cancer ...
  • Ronco AL, Fernandez R. Improving u _ tra sonographic diagnosis ...
  • Nakajima K, Matsuo S, Wakabayashi H, Yokoyama K, Bunko H, ...
  • Kuruvilla J, Gunavathi K. Lung cancer classification using neural networks ...
  • Sasaki _ Kinoshita K, Kishida S, Hirata Y, Yamada S. ...
  • Belciug S, Gorunescu F. Error-c orrection learning for artificial neural ...
  • UCIMachine Learning Repository: Data Sets 2007. http://archi ve.i cs.uci _ ...
  • Saritas I. Prediction of breast cancer using artificial neural networks. ...
  • نمایش کامل مراجع