توسعه يك مدل تركيبي يادگيري عميق براي تشخيص ذات الريه

اصفهان : دانشگاه صنعتي اصفهان

مهندسي صنايع

كارشناسي ارشد

مدل هاي يادگيري ماشين و يادگيري عميق كاربردهاي گسترده اي در زمينه هاي مختلف زندگي روزمره انسان ها ايفا مي كنند. اين مدل ها در طبقه بندي تصاوير و تشخيص الگو نتايج چشمگيري را ارائه داده اند. در اين پايان نامه، يك مدل تركيبي يادگيري عميق با سه رويكرد طبقه بندي مختلف معرفي مي شود. اين مدل تركيبي ويژگي هاي تصاوير را استخراج مي نمايد و آن ها را به عنوان ورودي طبقه بندي كننده هاي مختلف در سه رويكرد طبقه بندي متفاوت به كار مي گيرد. در رويكرد طبقه بندي اول، از لايه هاي كاملا متصل براي طبقه بندي تصاوير استفاده مي گردد. اين مدل براي چندين دوره آموزش داده مي شود و وزن هايي كه بالاترين دقت طبقه بندي را ارائه مي دهند، ذخيره مي شوند. در رويكرد طبقه بندي دوم، از وزن هاي آموزش داده شده بهينه شده براي استخراج ويژگي هاي برجسته تصاوير ورودي استفاده مي شود و طبقه بندي كننده هاي يادگيري ماشين براي طبقه بندي تصاوير به كار گرفته مي شود. در رويكرد طبقه بندي سوم، يك مدل جمعي وزن دار مبتني بر احتمال با استفاده طبقه بندي كننده هاي به دست آمده در رويكرد هاي اول و دوم ساخته مي شود و طبقه بندي تصاوير بر اساس اين مدل صورت مي گيرد. از اين مدل تركيبي معرفي شده براي تشخيص بيماري ذات الريه استفاده مي گردد. نتايج به دست آمده نشان مي دهند كه مدل جمعي (رويكرد طبقه بندي سوم) با استفاده از دو طبقه بندي كننده ماشين بردار پشتيبان با هسته تابع پايه شعاعي و رگرسيون لجستيك داراي بهترين عملكرد با دقت 98.55 در طبقه بندي تصاوير اشعه ايكس قفسه سينه براي تشخيص ذات الريه است. از اين مدل جمعي براي ساخت يك سيستم مبتني بر وب تشخيص به كمك كامپيوتر استفاده مي گردد كه مي تواند براي كمك به راديولوژيست براي تشخيص ذات الريه با دقت بالا مورد استفاده قرار بگيرد.

215050

صنايع و سيستم ها

مهندسي صنايع و سيستم ها

دانشگاه صنعتي اصفهان

مهدي خاشعي، صبا صارمي نيا

علي زينل همداني