| نوع مدرک: | متون چاپی |
| سرشناسه | شیرانی ، آرش، نویسنده |
| شماره بازیابی : | COM A 46 1403 |
| عنوان : | دسته بندی سرطان دهان با استفاده از یادگیری انتقالی و مکانیزم توجه |
| عنوان موازی : | Oral cancer classification using transfer learning and attention mechanism |
| ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
| سال نشر : | 1403 |
| صفحه شمار: | 79ص |
| شابک/شاپا | 25722 |
| یادداشت | پایاننامه کارشناسی ارشد رشته کامپیوتر گرایش هوش مصنوعی و رباتیکز |
| شناسه افزوده : | راستین ، نیلوفر، استاد راهنما زمین کار ، مینا، استاد مشاور |
| توصیفگرها | یادگیری انتقالی، مکانیزم توجه، DenseNet-121، سرطان دهان Transfer learning, Attention mechanism , DenseNet-121, Oral cancer |
| چکیده : | سرطان دهان، به ویژه کارسینوم سلول سنگفرشی دهانی (OSCC)، یک بیماری خطرناک با علل پیچیده و میزان مرگ ومیر بالا است. تشخیص زودهنگام و دقیق نقش کلیدی در افزایش نرخ بقا و کاهش عوارض آن دارد. روش های تشخیصی سنتی، مانند بررسی های بافت شناسی، علاوه بر زمان بر بودن، به دلیل وابستگی به تفسیر متخصصان آسیب شناسی، مستعد خطای انسانی هستند. با پیشرفت های اخیر در یادگیری عمیق، به ویژه شبکه های عصبی کانولوشنی، سیستم های تشخیص خودکار برای شناسایی سرطان توسعه یافته اند. بااین حال، مدل های متداول شبکه عصبی کانولوشنی، اغلب در شناسایی روابط فضایی گسترده و وابستگی های بلندمدت در تصاویر بافت شناسی دچار ضعف هستند، درحالی که این ویژگی ها برای تحلیل دقیق الگوهای پیچیده ضروری اند. در این پژوهش، یک مدل DenseNet-121 بهینه شده با ماژول های موازی توجه کانالی و فضایی برای حل این چالش ها معرفی شده است. این ماژول ها با تمرکز بر ویژگی های مهم در ابعاد کانالی و فضایی، فرایند استخراج ویژگی را بهبود می بخشند. مدل پیشنهادی بر روی دو مجموعه داده ی متنوع بافت شناسی ارزیابی شده و نتایجی بهتر از روش های پیشین ارائه داده است. بدون استفاده از افزایش داده، مدل به دقت %97.88 و %93.50 در مجموعه داده های مورد بررسی دست یافته است. همچنین، با اعمال افزایش داده، عملکرد مدل بهبود یافته و دقت آن روی مجموعه داده ها به ترتیب به 99.23% و %95.51 افزایش یافته است |
| لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=14558 |
| زبان مدرک : | فارسی |
