-
شماره ركورد
9377
-
پديد آورنده
محمد مهاجري نياكي
-
عنوان
كاربرد هوش مصنوعي در تشخيص سرطان دهان
-
مقطع تحصيلي
كارشناسي
-
رشته تحصيلي
علوم كامپيوتر
-
سال فارغ التحصيلي
1403
-
استاد راهنما
دكتر جواد وحيدي
-
استاد مشاور
دكتر جواد وحيدي
-
دانشجوي وارد كننده اطلاعات
محمد مهاجري نياكي
-
تاريخ ورود اطلاعات
1403/08/08
-
دانشكده
رياضي و علوم كامپيوتر
-
عنوان به انگليسي
Artificial Intelligence Application in Detection of Oral Cancer
-
چكيده
هدف: سرطان دهان شايع ترين شكل سرطان سر و گردن است. بر اساس آخرين آمار اعلام شده از سوي سازمان بهداشت جهاني نيمي از موارد جديد ابتلا به سرطان دهان منجر به فوت شده است.
تشخيص زودهنگام به دليل ماهيت تهديد كننده زندگي سرطان دهان بسيار مهم است. استفاده از تكنيك هاي يادگيري عميق و فناوري هاي پيشرفته مي تواند در تشخيص زودهنگام سرطان دهان كاهش ميزان مرگ و مير بيماران و متعاقبا كاهش هزينه ها و مدت زمان درمان بسيار موثر باشد.
روش شناسي پژوهش: در اين پژوهش از رويكرد يادگيري عميق براي تشخيص نوع بافت هاي دهاني در تصاوير هيستوپاتولوژي استفاده شده است. ابتدا مجموعه داده هاي تصاوير بافت هاي سالم پيش سرطاني و سرطاني جمع آوري و پنج مجموعه داده از تركيب اين سه دسته تصوير ايجاد شد. سپس هر يك از مجموعه داده ها پيش پردازش شدند كه شامل تغيير اندازه تصاوير ،نرمالسازي و افرايش تعداد تصاوير بود. براي طبقه بندي اين تصاوير از مدل آموزش ديده VGG16 استفاده شد كه پارامترها مدل متناسب با نوع مجموعه داده سه كلاسه و دو كلاسه بهينه سازي شدند.
يافته ها: عملكرد مدل براي تشخيص بافت هاي نرمال ، لكوپلاكيا و كارسينوم سلول سنگفرشي دهاني بررسي شد. مدل بالاترين دقت 0.97 براي مجموعه داده هاي دو كلاسه شامل لكوپلاكيا و كارسينوم سلول سنگفرشي دهاني دست يافت. در اين مجموعه داده ، صحت برا لكوپلاكيا 0.96 و كارسينوم 0.97 بود. بازخواني نيز به ترتيب 0.98 و 0.95 ارزيابي شد كه امتياز F1 برا هر دو كلاس را به 0.97 و 0.96 رساند. همچنين مناطق زير منحني ROC و PR هر دو 0.99 بود. مدل پيشنهاد به ترتيب دقت هاي 0.97 0.91 0.97 و 0.89 در تشخيص دو كلاسه لكوپلاكيا و كارسينوم سلول سنگفرشي نرمال و كارسينوم نرمال و لكوپلاكيا و نرمال در مقابل ادغام لكوپلاكيا و كارسينوم بدست آورد.
نتيجه گيري: نتايج حاصل از اين مطالعه نشان مي دهد كه استفاده از مدل هاي يادگيري عميق ميتواند دقت تشخيص بيماري هاي دهاني از جمله لكوپلاكيا و كارسينوم سلول سنگفرشي را به طور قابل توجهي افرايش دهد. استفاده از تكنيك هاي يادگيري عميق در ارزيابي هاي باليني و به عنوان ابزاري براي كمك به پزشكان در تشخيص زودهنگام و دقيق تر بيمار هاي دهاني بسيار موثر خواهد بود. از اين رو پيشنهاد مي شود مطالعات بيشتري بر روي گسترش داده هاي آموزشي و بهينه سازي بيشتر الگوريتم ها انجام گيرد تا امكان استفاده گسترده تر از اين تكنيك ها در عمل باليني فراهم آيد.
-
كليدواژه ها
سرطان سلولها سنگ فرشي دهان،لكوپلاكيا،هوش مصنوعي، هيستوپاتولوژي،يادگيري عميق
-
لينک به اين مدرک :