عنوان مقاله:
سیستم تشخیص سرطان پستان مبتنی بر یادگیری عمیق با استفاده از محاسبات مه
Deep learning based breast cancer detection system using fog computing
سال انتشار: 2022
رشته: مهندسی کامپیوتر - پزشکی
گرایش: رایانش ابری - مهندسی الگوریتم و محاسبات - هوش مصنوعی - آنکولوژی
دانلود رایگان این مقاله:
مشاهده سایر مقالات جدید:
IV. Evaluation
4.1 Dataset
An online dataset is used to validate the DL model [22]. These data were collected from women ages between 25 and 75 from 600 patients. The ultrasound images were collected in a DICOM format in Baheya hospital. LOGIQ E9 ultrasound sound system was used for this purpose. Preprocessing of images were done to remove the duplicate images and images were converted from DICOM format to PNG format. A sample from the dataset is shown in Figures 5,6.
4.2 CNN
The dataset is first divided in to training, testing and validating groups randomly. The training data is used to train the CNN. A VGGNet CNN is used in this study with multiple stacked convolutional layers including 3 x 3 filters. This network is a sequentially structured model. 31 layers are added to the network. DEPTHWISE-CONV-RELU-POOL blocks are defined for this network. Each block has separableConv2D, activation, batch normalization, max pooling and dropout layers. At the final stage FC-RELU and softmax layers are added.
4.3 Results After training the following training accuracy and training loss are achieved. The Figures 7 and 8 shows the training accuracy and training loss. The accuracy for the system is 98.5%. For this study a specificity of 0.9783 and a sensitivity of 1.0 are achieved. Precision, recall, f1 score and support for normal are 0.96, 1.0, 0.98 and 23 respectively. Precision, recall, f1 score and support for malignant are 1.0, 0.98, 0.99 and 46 respectively.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
IV. ارزیابی
4.1 مجموعه داده
یک مجموعه داده آنلاین برای اعتبارسنجی مدل DL استفاده می شود [22]. این داده ها از زنان 25 تا 75 ساله از 600 بیمار جمع آوری شد. تصاویر سونوگرافی با فرمت DICOM در بیمارستان بهیا جمع آوری شد. برای این منظور از سیستم صوتی اولتراسوند LOGIQ E9 استفاده شد. پیش پردازش تصاویر برای حذف تصاویر تکراری انجام شد و تصاویر از فرمت DICOM به فرمت PNG تبدیل شدند. نمونه ای از مجموعه داده در شکل 5،6 نشان داده شده است.
4.2 CNN
مجموعه داده ابتدا به صورت تصادفی به گروه های آموزشی، آزمایشی و اعتبارسنجی تقسیم می شود. داده های آموزشی برای آموزش CNN استفاده می شود. یک VGGNet CNN در این مطالعه با چندین لایه کانولوشن انباشته شامل فیلترهای 3×3 استفاده شده است. این شبکه یک مدل ساختار متوالی است. 31 لایه به شبکه اضافه شده است. بلوک های DEPTHWISE-CONV-RELU-POOL برای این شبکه تعریف شده است. هر بلوک دارای لایه‌های separableConv2D، فعال‌سازی، نرمال‌سازی دسته‌ای، حداکثر ادغام و حذف است. در مرحله آخر لایه های FC-RELU و softmax اضافه می شوند.
