شبكه عصبي كانولوشن براي استخراج ویژگی و طبقه بندی تصاویر سیتیاسکن ریه برای تشخیص و شناسایی ندول های ریوی ارائهشده است. توانايي اشتراك وزن شبكه هاي عصبي كانولوشن بهطور قابل توجهی سبب كاهش تعداد پارامترهاي آزاد آموزش پذير شبكه و درنتیجه افزايش تعمیمپذیری مي شود. در ساختار ارائهشده يك شبكه كانولوشن كوچك كه براي استخراج ويژگي استفاده مي شود بين كل پیکسلهای تصوير ورودي به اشتراك گذاشته مي شود. استفاده از شبكه هاي آموزش پذیر کوچکتر و بخشبندی شده براي حل يك مسئله بزرگ و پيچيده، يك معماري مقیاسپذیر براي پیادهسازی شبكه هاي بزرگ ارائه میدهد. ساختار ارائهشده سبب كاهش زمان آموزش، كاهش تعداد پارامترهاي آموزش پذیر و افزايش دقت دستهبندیشده است. بهگونهای که با استخراج ویژگی های تصاویر به کمک روش شبکه عصبی کانولوشن CNN ندول های جداشده برای طبقهبندی نواحی مشکوک به ندولهای ریوی به سه کلاس ریه سالم، ندول خوشخیم و ندول های بدخیم طبقهبندیشده است. در الگوریتم پیشنهادی برای شناسایی و قطعهبندی ندولهای ریوی بر روی تصاویر سیتیاسکن ریه از تصاویر پایگاه داده LIDC، استفادهشده است. نتیجه الگوریتم نهایی طبقهبندی نشان میدهد که بهبود قابلتوجهی در نتایج روش ارائهشده وجود دارد. این روش به میزان حساسیت و دقت به ترتیب برابر با 5/93% و94% دستیافته است.
کلید واژگان :شبكه عصبي كانولوشن ،ندول های ریوی، قطعهبندی، پایگاه داده LIDC
ارزش ریالی : 300000 ریال
با پرداخت الکترونیک