首页    期刊浏览 2024年11月08日 星期五
登录注册

文章基本信息

  • 标题:طراحی يک سيستم CAD برای شناسايی و طبقه‌بندی تومورهای سرطان سينه در تصاوير DCE-MR بر اساس شبکه‌های عصبی کانولوشن سلسله مراتبی
  • 其他标题:A CAD System for Identification and Classification of Breast Cancer Tumors in DCE-MR Images Based on Hierarchical Convolutional Neural Networks
  • 本地全文:下载
  • 作者:Reza Rastiboroujeni ; Mohammad Teshnehlab ; Reza Jafari
  • 期刊名称:Intelligent Systems in Electrical Engineering
  • 印刷版ISSN:2251-6530
  • 电子版ISSN:2252-083X
  • 出版年度:2015
  • 卷号:6
  • 期号:1
  • 页码:1-14
  • 语种:Persian
  • 摘要:در اين مقاله، يک سيستم CAD بر اساس شبکه های عصبی کانولوشن سلسله‌مراتبی با ساختاری جديد، جهت ايجاد تمايز بين تومورهای خوش‌خيم و بدخيم در تصاوير MR سينه پيشنهاد شده است. شبکه‌ی عصبی کانولوشن، يک شبکه‌ی سلسله مراتبی عصبی است که بر روی تصاوير دو بعدی اعمال می‌شود و فرآيندهای استخراج ويژگی و طبقه‌بندی را در يک ساختار واحد و کاملاً تطبيقی، ادغام می‌کند. اين ساختار می تواند ويژگی های دو بعدی کليدی را به صورت خودکار استخراج نموده و نسبت به اعوجاجات هندسی و محلی در تصاوير ورودی مقاوم است. در ادامه، نتايج پياده‌سازی فرآيندهای يادگيری و آزمايش HCNN بر اساس روش‌های بهينه‌سازی گراديان نزولی و پس‌انتشار عدول‌شونده مورد ارزيابی قرار گرفته و نشان داده شده است که HCNN پيشنهادی با رويکرد يادگيری پس انتشار عدول‌شونده، يک ساختار عصبی سلسله مراتبی کارآمد و مقاوم را جهت طراحی يک سيستم CAD پايه در تصاوير MR سينه ارائه می‌کند بطوريکه از آن می‌توان بطور بالقوه، بعنوان يک مکانيسم برای ارزيابی انواع ناهنجاری‌ها در تصاوير پزشکی استفاده نمود.
  • 其他摘要:In this paper, we propose a computer aided diagnosis (CAD) system based on hierarchical convolutional neural networks (HCNNs) to discriminate between malignant and benign tumors in breast DCE-MRIs. A HCNN is a hierarchical neural network that operates on two-dimensional images. A HCNN integrates feature extraction and classification processes into one single and fully adaptive structure. It can extract two-dimensional key features automatically, and it is relatively tolerant to geometric and local distortions in input images. We evaluate CNN implementation learning and testing processes based on gradient descent (GD) and resilient back-propagation (RPROP) approaches. We show that, proposed HCNN with RPROP learning approach provide an effective and robust neural structure to design a CAD base system for breast MRI, and has potential as a mechanism for the evaluation of different types of abnormalities in medical images.
  • 关键词:سرطان سينه; تصويربرداری رزونانس مغناطيسی با کنتراست بهبوديافته; سيستم‌های تشخيص به کمک کامپيوتر; شبکه های عصبی کانولوشن سلسله مراتبی
  • 其他关键词:Breast Cancer; DCE-MRI; CAD System; Hierarchical Convolutional Neural Network
国家哲学社会科学文献中心版权所有