كد: 2222
عنوان پروژه: فروش پروژه طبقه بندی تومور بدخیم و خوش خیم سینه با شبکه عصبی سلولی (CNN) با نرم افزار MATLAB
قالب بندی: m
دسته: کامپیوتر – MATLAB
قیمت: 50.000 تومان
قابلیت اجرا در نرم افزار: MATLAB
شرح مختصر:
فروش پروژه طبقه بندی تومور بدخیم و خوش خیم سینه با شبکه عصبی سلولی (CNN) با نرم افزار MATLAB
یکی از خطراتی که خانم ها را به شدت تهدید می کند، سرطان سینه می باشد. در صورتی که بتوان این تومور را در سینه تشخیص داد، شانس زندگی فرد به صورت سالم و عادی بیشتر خواهد بود، از این رو ساخت سامانه هایی جهت تشخیص این نوع سرطان، مانند سامانه های تشخیص در حوزه های دیگر پزشکی امری بسیار حیاتی محسوب می گردد. در این مقاله و پیاده سازی، دو روش برای خودکار برای تشخیص نوع جرم تومور در سینه که خوش خیم یا بدخیم باشد، ارائه شده است. در روش پیشنهادی اول، قطعه سازی به کمک رشد ناحیه ای خودکار که آستانه گیری آن توسط شبکه عصبی سلولی (CNN) آموزش دیده، به دست آمده است. در روش پیشنهادی دوم، قطعه سازی توسط شبکه عصبی سلولی (CNN) که پارامترهای آن با الگوریتم ژنتیک (GA) تعیین می شود.
چند مورد از مواردی که در هنگام قطعه بندی تومور استخراج می شوند و بسیار مورد اهمیت می باشند شامل شدت نور، بافت و ویژگی های شکل است. الگوریتم ژنتیک به منظور انتخاب ویژگی های مناسب از بافت تصویر در زمان قطعه بندی تومور استفاده می شود. در مرحله بعدی، شبکه عصبی به عنوان یک طبقه بند که تومور بدخیم است یا خوش خیم مورد استفاده واقع می گردد. به منظور ارزیابی کارایی روش ارائه شده، طبقه بندهای مختلفی مانند روش های نایو بیزین (Naïve Bayesian) ، الگوریتم نزدیکترین همسایه (KNN) و ماشین بردار پشتیبان (SVM) استفاده شده است. دقت به دست آمده 96/87%، ویژگی ها 95/94% صحیح، و نرخ دقت 96/47% می باشد (با توجه به مقدار پارامترهای استفاده شده در برنامه که نویسنده مقاله ساخته است این موارد به دست آمده اند).
مراحل در تشخیص سرطان سینه در این مقاله و پروژه شباهت زیادی به روش های ارائه شده قبلی دارد با تفاوت در ساختار استفاده از مراحل. دو روش ارائه شده تفاوت هایی با هم دارند که در شکل 1 و شکل 2 صفحه سوم مقاله این مورد کامل مشخص است که به توضیح روند اجرایی هر دو برنامه خواهیم پرداخت. در روش رشد ناحیه ای خودکار، ابتدا تصویر به عنوان ورودی وارد می شود، سپس وارد مرحله پیش پردازش می شودیم که دارای 3 مرحله است شامل استخراج وِیژگی های شدت نور، شبکه عصبی مصنوعی، و تولید آستانه گیری با استفاده از شبکه عصبی است سپس از فاز پیش پردازش خارج و به مرحله قطعه بندی به روش رشد ناحیه ای می رسیم، سپس استخراج ویژگی، در مرحله بعدی استخراج ویژگی با الگوریتم ژنتیک، در نهایت طبقه بندی تومور با شبکه عصبی در رابطه با اینکه بدخیم یا خوش خیم است.
حال به توضیح روش پیشنهادی دوم می پردازیم. تصویر ورودی وارد برنامه می شود، سپس مرحله پیش پردازش، در این مرحله کاری روی تصویر انجام نمی شود، در سویی دیگر قطعه بندی به صورت دستی انجام سپس الگوریتم ژنتیک روی آن اعمال و یک قالب کلی ساخته می شود. در واقع این مرحله قطعه بندی با CNN است. سپس استخراج ویژگی، در مرحله بعد استخراج ویژگی با الگوریتم ژنتیک، سپس طبقه بندی تومور با شبکه عصبی مصنوعی و اینکه تومور بدخیم یا خوش خیم است. کاملا بارز و مبرهن است که تفاوت در بخش پیش پردازش و استفاده از قطعه بندی دو روش می باشد.
حال استفاده از الگوریتم ژنتیک در این برنامه بدین صورت تعریف می شود: تعریف جمعیت اولیه برای کروموزوم ها، تکرار، محاسبه تابع فیتنس مربوط به هر عنصر در جمعیت، انتخاب دو زوج از بهترین کروموزوم ها به عنوان والد، اعمال عملگر Cross Over یا تقاطع، اعمال عملگر Mutation یا جهش، تا پایان کار در حلقه ادامه می یابد و در انتها تمام می شود.
در ابتدا کاربر ساختار کلی یک شبکه عصبی را لازم است تا بداند. قطعه بندی در روش پیشنهادی دوم بر پایه شبکه عصبی سلولی (CNN) است که برای تعیین پارامترهایش از الگوریتم ژنتیک طبقه گفته های پیشین استفاده می کند. شبکه عصبی سلولی، آرایه ای از واحدهای پردازش به صورت آنالوگ است که قابل برنامه ریزی به صورت غیرخطی هستند که به هر یک از این بخش ها یک سلول می گویند. هر سلول با سلول همسایه خود در تعامل است و این امر دقیقا مانند روشی است که در اتوماتای یادگیر سلولی اتفاق می افتد.
فرآیند قطعه بندی به جدا کردن ناحیه تومور از تصویر و در مجموع جداازی پشت زمینه و تومور از هم می پردازد. دو رویکرد در این بخش وجود دارد یکی روش رشد ناحیه ای، و دیگری روش مرزبندی. روش رشد ناحیه ای که مورد بحث در این مقاله و پیاده سازی است، در تصویر بخش هایی به نام seed قرار داده و رشد نواحی از آن بخش شروع می شود. به منظور آستانه گیری در این بخش از شبکه عصبی استفاده شده است. از شبکه عصبی دو لایه ای به منظور آستانه گیری برای هر تصویر استفاده شده است. شبکه عصبی مورد استفاده در این بخش به منظور آستانه گیری در زمان رشد ناحیه ای، شبکه عصبی MLP یا پرسپترون چند لایه است که با استفاده از روش BP یا Back Propagation یا پس انتشار آموزش دیده است.
در بخش استخراج ویژگی ها (بدون استفاده از الگوریتم ژنتیک – الگوریتم ژنتیک قبلا برای این کار توضیح داده شده است و الان حالت ساده آن در پروژه را می گوییم) 51 ویژگی ویژگی مطابق با شدت هیستوگرام، شکل، ویژگی الگوها یا بافت ها، از تصاویر قطعه بندی شده، استخراج شده است. تومورهای بدخیم که دارای بافت نامنظمی هستند در مقایسه با تومورهای خوش خیم روش کار پیچیده تری دارند که از روشی به نام GLCM به منظور استخراج بافت های آن استفاده می کنند. زمانی که مشخصه ها استخراج شد، یک توصیف کننده برای شکل لازم است که از زرنیکه استفاده شده است.
از نتیجه گیریهای اجرا، می توان فهمید که بهترین روش استفاده از شبکه عصبی پرسپترون چند لایه (MLP) در بخش مورد نظر توضیح داده شده می باشد و روش های دیگر مانند KNN، SVM ، نسبت به این بخش کارایی کمتری دارند. این مقاله جای کار بسیار زیاد دارد که می توان از شبکه های عصبی ای مانند SOM یا شبکه خودسازمانده که اصطلاحا به نام کوهنن هم شناخته می شود و یا شبکه عصبی تابع پایه شعاعی یا RBF استفاده کرد.
عكس خروجی برنامه
عکس 1
عکس 2
عکس 3
عکس 4
برای خرید این پروژه با شماره 09360703858
یا آدرس ایمیل nn4e@aol.com در تماس باشید.
