بررسی بهینه سازی پارامترهای یک مدل یادگیری عمیق برای طبقه بندی تصاویر هیستوپاتولوژیک سرطان پستان

سرطان پستان، نوعی سرطان شایع و یک نگرانی عمده برای سلامتی زنان در جامعه امروزی است. اخیرا محققان از شبکه های عصبی پیچشی (CNN) برای تجزیه و تحلیل تصاویر پزشکی استفاده کرده اند و عملکرد طبقه بندی را برای تشخیص سرطان پستان از درون مجموعه داده های تصاویر هیستوپاتولوژیک نشان دادند. با این حال، تنظیم پارامترها در یک مدل CNN پیچیده است . همچنین استفاده از داده های پایگاه داده آسیب شناسی بافت شناسی سرطان پستان برای طبقه بندی پرهزینه و زمانبر خواهد بود. در نتیجه برای غلبه بر این مشکلات، در این مطالعه به بررسی یک طرح آزمایشی یکنواخت (UED) پرداخته میشود. در واقع، هدف بهینه کردن پارامترهای CNN در طبقه بندی تصاویر هیستوپاتولوژیک سرطان پستان میباشد. در UED از تحلیل رگرسیون برای بهینه سازی پارامترها استفاده شده است. نتایج تجربی نشان میدهد که روش بررسی شده با بهینه سازی پارامتر UED میزان دقت طبقه بندی را ۸۴.۴۱ درصد را ارائه میکند. در نتیجه، روش UED میتواند دقت طبقه بندی را به طور موثر بهبود بخشیده تا نتایج بهتری نسبت به سایر روشهای مشابه محاسبه گردد.

کلیدواژه ها:

سرطان پستان ، هیستوپاتولوژی ، یادگیری عمیق ، شبکه عصبی پیچشی ، طراحی آزمایشی یکنواخت.