توسعه مدل‌هاي هوش مصنوعي توضيح‌پذير براي طبقه‌بندي سرطان خون از تصاوير ميكروسكوپي مغز استخوان با استفاده از يادگيري انتقالي

كارشناسي ارشد

چكيده سرطان خون يك اختلال گلبول‌هاي سفيد است كه در آن تكثير گلبول‌هاي سفيد خون نابالغ به شيوه‌اي كنترل نشده افزايش‌يافته و جايگزين عناصر طبيعي خون‌ساز مغز استخوان مي‌شود. بعد از امراض قلبي عروقي دومين عوامل مرگ‌ومير هست. تشخيص سرطان به‌موقع و در مراحل اوليه موفقيت روند درمان را تا حد زيادي افزايش مي‌دهد. براي كاهش وابستگي به دانش متخصص، روش‌هاي خودكار براي تشخيص پيشنهاد مي‌شود كه توسط پردازش تصوير، يادگيري ماشين و يادگيري شبكه‌هاي عميق براي طبقه‌بندي، تشخيص و تقسيم‌بندي سلول‌هاي خون استفاده‌شده است. در اين پژوهش از شش مدل از قبل آموزش داده‌شده CNN استفاده‌شده براي آموزش داده به داده‌هاي آموزشي و آزمايشي به روش اعتبار سنجي متقابل K-fold انجام شد اما مدل‌هاي با صدها يا حتي ميليون‌ها پارامتر قابل تنظيم، فقط به‌عنوان مدل‌هاي جعبه سياه عمل مي‌كند. اين مطالعه براي جلوگيري از بيش برازش از حذف تصادفي و توقف زودهنگام و براي غلبه بر عدم اعتماد به عملكرد جعبه سياه‌ هوش مصنوعي توضيح‌پذير با استفاده از روش LIMEبراي توضيح محلي سلول‌ها كار گرفته شد. از پايگاه داده SN-AM و LISC شامل لوسمي حاد لنفوئيدي‌ B، ميلوم متعدد و سلول‌هاي سالم است، استفاده‌شده. مدل‌هاي Inceptionv3, ResNet101v2, VGG16 ,VGG19 ,Alex Net و InceptionRexnetv3 روي 243 تصوير مايكروسكوپي آموزش داده شدند. مدل‌هاي Inceptionv3 و ResNet101v2 به صحت 100 درصد درداده آموزشي دست‌يافت‌اند تابع خطابه ترتيب 0.0045 و 0.005 و امتياز F1 هر دو مدل به دست آمد. مدل VGG19 با صحت 73.07 درصد و خطا و امتياز F1 به ترتيب 0.45 و 0.69 دست‌يافت‌اند كه نسبت به ديگر مدل‌هاي كمترين صحت رادارند. ازآنجايي‌كه داده‌هاي براي آموزش كافي نبوده به‌منظور غلبه برداده محدود تصاوير ميكروسكوپي نمونه مغز استخوان افزايش داده توسط تنسورفولو و روش يادگيري انتقالي استفاده شدند.

229578

دانشگاه اصفهان

مهندسي پزشكي - بيومتريال

محمدرضا يزدچي