کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4964874 1447931 2017 30 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Pre-trained convolutional neural networks as feature extractors for tuberculosis detection
ترجمه فارسی عنوان
شبکه های عصبی کانولوشن قبل از آموزش به عنوان عصاره کننده های خاص برای تشخیص سل
کلمات کلیدی
یادگیری عمیق، شبکه های عصبی انعقادی، بیماری سل، تشخیص کامپیوتر کمک می کند، یادگیری نمونه چندگانه، یادگیری گروهی
ترجمه چکیده
تخمین زده می شود که در سال 2015، حدود 1.8 میلیون نفر مبتلا به سل، در بسیاری از کشورهای در حال توسعه جان خود را از دست می دهند. بسیاری از این مرگ و میر را می توان پیشگیری کرد اگر بیماری در مراحل اولیه تشخیص داده شود، اما پیشرفته ترین روش های تشخیصی هنوز هم برای پیشگیری از عوارض هزینه ای سنگین است. یکی از محبوب ترین روش های تشخیص سل، آنالیز رادیوگرافی قفسه سینه موش است. با این حال، تأثیر این روش توسط نیاز به تجزیه و تحلیل فردی هر رادیوگرافی توسط رادیولوژیست ها به خوبی آموزش دیده کاهش می یابد. تحقیقات قابل توجهی در تشخیص خودکار با استفاده از تکنیک های محاسباتی به تصاویر پزشکی، در نتیجه از بین بردن نیاز به تجزیه و تحلیل تصویر شخصی و کاهش هزینه های کلی، می توان یافت. علاوه بر این، پیشرفت های اخیر در یادگیری عمیق نتایج عالی را به منظور طبقه بندی تصاویر در حوزه های متنوع انجام داد، اما کاربرد آن برای تشخیص سل با محدودیتی همراه است. بنابراین، تمرکز این کار این است که یک تحقیق انجام دهد که تحقیقات را در این منطقه پیشبرد کند، ارائه سه پیشنهاد برای استفاده از شبکه های عصبی کانولوشون قبل از آموزش به عنوان عصاره کننده های ویژگی برای تشخیص بیماری. پیشنهادهایی که در این کار ارائه شده، اجرا شده و با ادبیات فعلی مقایسه شده است. نتایج به دست آمده با آثار منتشر شده رقابت می کنند و پتانسیل شبکه های کانولوشن قبل از آموزش را به عنوان ویژگی های استخراج کننده تصویر پزشکی ارایه می دهند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
شبکه های عصبی کانولوشن قبل از آموزش به عنوان عصاره کننده های خاص برای تشخیص سل
چکیده انگلیسی
It is estimated that in 2015, approximately 1.8 million people infected by tuberculosis died, most of them in developing countries. Many of those deaths could have been prevented if the disease had been detected at an earlier stage, but the most advanced diagnosis methods are still cost prohibitive for mass adoption. One of the most popular tuberculosis diagnosis methods is the analysis of frontal thoracic radiographs; however, the impact of this method is diminished by the need for individual analysis of each radiography by properly trained radiologists. Significant research can be found on automating diagnosis by applying computational techniques to medical images, thereby eliminating the need for individual image analysis and greatly diminishing overall costs. In addition, recent improvements on deep learning accomplished excellent results classifying images on diverse domains, but its application for tuberculosis diagnosis remains limited. Thus, the focus of this work is to produce an investigation that will advance the research in the area, presenting three proposals to the application of pre-trained convolutional neural networks as feature extractors to detect the disease. The proposals presented in this work are implemented and compared to the current literature. The obtained results are competitive with published works demonstrating the potential of pre-trained convolutional networks as medical image feature extractors.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers in Biology and Medicine - Volume 89, 1 October 2017, Pages 135-143
نویسندگان
, ,