KaydedilenlerDerginizi ekleyin

Dergiler / AURUM Mühendislik Sistemleri ve Mimarlık Dergisi / 2018 / Cilt: 2 Sayı: 2

ARTIRILMIŞ EVRİŞİMSEL SINIR AĞLARI ILE GÖĞÜS KANSERI TEŞHISI VE GÖRÜNTÜ DEĞERLENDIRMESI

BREAST CANCER DETECTION AND IMAGE EVALUATION USING AUGMENTED DEEP CONVOLUTIONAL NEURAL NETWORKS

Saadaldeen Rashid Ahmed Ahmed(ALTINBAŞ ÜNİVERSİTESİ)
Osman Nuri Uçan(ALTINBAŞ ÜNİVERSİTESİ)0000-0002-4100-0045
Adil Deniz Duru(MARMARA ÜNİVERSİTESİ)0000-0003-3014-9626
Oğuz Bayat(ALTINBAŞ ÜNİVERSİTESİ)0000-0001-5988-8882
Sayfa
121–129
Yayın Tarihi
2019-02-01
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Herhangi biri söz konusu olduğunda, bu metodoloji bilgisayarlı histopatolojik imge gruplamasında diğer temel teknikleri de uygular.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Özet Meme kanseri, dünyada insan ölümüne sebep olan başlıca hastalıklardan biridir.Erken teşhis, doğru tedavinin geliştirilmesini ve sağ kalma olasılığını arttırır, ancak bu süreç belirsizdir ve düzenli olarak patologlar arasında bir çelişki yaratır.
📊
Temel Bulgular & Veri:Metodolojimiz birkaç derin sinir sistemi yapısı kullanır ve meyilli ağaç sınıflandırıcısına yardımcı olur. 5 sınıflı gruplama ataması için% 88,4 oranında doğruluk bildiririz.
💡
Sonuç & Katkı:Herhangi biri söz konusu olduğunda, bu metodoloji bilgisayarlı histopatolojik imge gruplamasında diğer temel teknikleri de uygular.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Derin öğrenme teknikleri · Morfolojik işleme · Görüntü işleme

Özet

Özet Meme kanseri, dünyada insan ölümüne sebep olan başlıca hastalıklardan biridir.Erken teşhis, doğru tedavinin geliştirilmesini ve sağ kalma olasılığını arttırır, ancak bu süreç belirsizdir ve düzenli olarak patologlar arasında bir çelişki yaratır. PC destekli sonuç sistemlerinin, görüntükesinliğini arttırmada belirli potansiyele sahip olduğu belirtilir.Bu çalışmada , kucak malign büyüme histolojisi resim karakterizasyonu için artan derin evrişim sinir sistemlerine bağlı olan hesaplama metodolojisini geliştiriyoruz. Hematoksilen ve eosin recolored göğüs histolojisinde mikroskopi resim veri seti Kaggle tarafından Meme Kanseri Histolojisi Görüntülerine verilmiştir. Metodolojimiz birkaç derin sinir sistemi yapısı kullanır ve meyilli ağaç sınıflandırıcısına yardımcı olur. 5 sınıflı gruplama ataması için% 88,4 oranında doğruluk bildiririz. Karsinomları tanımayı üstlenen 4 sınıflı gruplama için yüksek afiniteli çalışma noktasında% 92,3 doğruluk,% 96,2 ve afektabilite% 94,5 oranında rapor ediyoruz. Herhangi biri söz konusu olduğunda, bu metodoloji bilgisayarlı histopatolojik imge gruplamasında diğer temel teknikleri de uygular.

Abstract

Abstract

🔖

Bu Makaleye Atıf Yap

Ahmed, S. R. A., Uçan, O. N., Duru, A. D., Bayat, O. (2019). ARTIRILMIŞ EVRİŞİMSEL SINIR AĞLARI ILE GÖĞÜS KANSERI TEŞHISI VE GÖRÜNTÜ DEĞERLENDIRMESI. AURUM Mühendislik Sistemleri ve Mimarlık Dergisi, Cilt: 2 Sayı: 2, 121–129. https://ajindex.com/articles/1456479

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. A. N. Tosteson, D. G. Fryback, C. S. Hammond, L. G. Hanna, M. R. Grove, M. Brown, Q. Wang, K. Lindfors, and E. D. Pisano. 2014. “Consequences of false-positive screening mammograms,” JAMA internal medicine, vol. 174, no. 6, (pp. 954–961), 2014.
  2. Breast Cancer Wisconsin (Diagnostic) Data Set Predict whether the cancer is benign or malignant https:// www.kaggle.com/uciml/breast-cancer-wisconsin-data
  3. D. B. Kopans. 2002. “Beyond randomized controlled trials: organized mammographic screening substantially reduces breast carcinoma mortality,” Cancer, vol. 94, no. 2, (pp. 580–1); author reply 581–3, [Online]. Available: http://www.ncbi.nlm.nih.gov/pubmed/11900247http://www.ncbi.nlm.nih.gov/pubmed/11900247
  4. D. B. Kopans. 2015. “An open letter to panels that are deciding guidelines for breast cancer screening,” Breast Cancer Res Treat, vol. 151, no. 1, (pp. 19–25). [Online]. Available: http: //www.ncbi.nlm.nih.gov/pubmed/ 25868866
  5. E. Hinton, N. Srivastava, A. Krizhevsky, I. Sutskever, and R. R. Salakhutdinov. 2012. “Improving neural networks by preventing co-adaptation of feature detectors,” arXiv preprint arXiv:1207.0580.
  6. R. Siegel, K. D. Miller and A. Jemal. 2018. Cancer statistics, 2018, CA: A Cancer Journal for Clinicians, 68 (1), 7–30.
  7. H.-C. Shin, H. R. Roth, M. Gao, L. Lu, Z. Xu, I. Nogues, J. Yao, D. Mollura, and R. M. Summers. 2016. “Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning,” IEEE Transactions on Medical Imaging 35, 1285-98.
  8. L. Tabar, B. Vitak, H. H. Chen, M. F. Yen, S. W. Duffy, and R. A. Smith. 2001. “Beyond randomized controlled trials: organized mammographic screening substantially reduces breast carcinoma mortality,” Cancer, vol. 91, no. 9, (pp. 1724–31).
  9. N. Tajbakhsh, J. Y. Shin, S. R. Gurudu, R. T. Hurst, C. B. Kendall, M. B. Gotway, and J. Liang. 2016. “Deep Convolutional Neural Networks for Medical Image Analysis: Full Training and Fine Tuning,” IEEE Transactions on Medical Imaging 35, 1299-1312.
  10. S. W. Duffy, L. Tabar, and R. A. Smith. 2002. “The mammographic screening trials: commentary on the recent work by Olsen and Gotzsche,” CA Cancer J Clin, vol. 52, no. 2, (pp. 68–71). [Online]. Available: http:// www.ncbi.nlm.nih.gov/pubmed/11929006http://www.ncbi.nlm.nih.gov/pubmed/11929006
  11. S. W. Duffy, L. Tabar, H. H. Chen, M. Holmqvist, M. F. Yen, S. Abdsalah, B. Epstein, E. Frodis, E. Ljungberg, C. Hedborg-Melander, A. Sundbom, M. Tholin, M. Wiege, A. Akerlund, H. M. Wu, T. S. Tung, Y. H. Chiu, C. P. Chiu, C. C. Huang, R. A. Smith, M. Rosen, M. Stenbeck, and L. Holmberg. 2002.
  12. “The impact of organized mammography service screening on breast carcinoma mortality in seven swedish counties,” Cancer, vol. 95, no. 3, (pp. 458–69).
  13. W. Samuelson and N. Petrick. 2006. “Comparing image detection algorithms using resampling,” 3rd IEEE International Symposium on Biomedical Imaging: Nano to Macro, 2006. 1312-1315.
  14. Y. LeCun, B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard, and L. D. Jackel. 1989. “Backpropagation applied to handwritten zip code recognition,” Neural computation, vol. 1, no. 4, (pp. 541–551), 1989.
  15. Y. LeCun, Y. Bengio, and G. Hinton. 2015. “Deep learning,” Nature, vol. 521, no. 7553, (pp. 436–444).
  16. N. Tajbakhsh, J. Y. Shin, S. R. Gurudu, R. T. Hurst, C. B. Kendall, M. B. Gotway, and J. Liang. 2016. “Deep Convolutional Neural Networks for Medical Image Analysis: Full Training and Fine Tuning,” IEEE Transactions on Medical Imaging 35, 1299-1312.