دانلود پروپوزال تشخیص سرطان سینه با استفاده از شبکه عصبی کانولوشن

این پروپوزال دارای مقاله بیس میباشد که قابل مشاهده و دانلود می باشد

فهرست مطالب پروپوزال

1. بیان مساله اساسی تحقیق
2. مرور ادبیات و سوابق مربوطه
3. اهمیت و ضرورت انجام تحقیق
4. اهداف مشخص تحقیق
5. سؤالات تحقیق
6. فرضیه ‏های تحقیق
7. روش شناسی تحقیق
8. متغیرهای مورد بررسی در قالب یک مدل مفهومی
9. جنبه جدید بودن و نوآوری در تحقیق
10. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
11. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
12. مراجع

بیان مساله

همانطور که مشهور است ، قابل اعتمادترین و مؤثرترین تکنیک تشخیص زودرس سرطان پستان ، ماموگرافی دیجیتال است. توده در پستان یکی از مشخص ترین علائم برای تشخیص سرطان سینه است و اطلاعات اطراف توده آن بیانگر الگوی رشد و ویژگی بیولوژیکی است.

به طور کلی ، توده‌های خوش خیم از نظر شکل منظم هستند و توده‌هایی با حاشیه‌های نامنظم اغلب بدخیم هستند. به عبارت دیگر ، دقت دسته‌بندی توده‌ها بر دسته‌بندی خوش خیم یا بدخیم توده‌ها تأثیر می‌گذارد. بنابراین ، دسته‌بندی توده‌ها یک فرآیند بسیار مهم در درمان سرطان پستان است ، که می‌تواند به پزشکان در تشخیص و معالجه سرطان سینه کمک کند.

در سال‌های گذشته ، الگوریتم‌های زیادی برای دسته‌بندی توده در پستان بسیار مورد مطالعه قرار گرفته است. به دلیل این که توده‌های پستان دارای ویژگی‌های متفاوتی از جمله اندازه ، شکل و حاشیه هستند که دسته‌بندی دقیق توده‌ها را حتی بر اساس فناوری دیجیتال با مشکل مواجه کرده است.

از طرفی دیگر، به دلیل وجود نویز در ماموگرافی‌ها ، پس زمینه تصویر بسیار پیچیده است و اندازه جرم نسبت به منطقه پس زمینه بسیار کوچک است . بنابراین،   تکنیک‌های موجود در دستیابی به تقسیم بندی دقیق توده‌های پستان ، مشکل دارند.

اخیرا، تکنیک‌های یادگیری عمیق به کمک پزشکان آمده اند . شبکه عصبی کانولوشن می‌تواند نگاشت غیرخطی بین ورودی و خروجی را به دست آورد و و به طور خودکار ویژگی‌های ه محلی و ویژگی‌های سطح بالا را از طریق ساختارهای شبکه چند لایه و مجموعه ویژگی‌های از پیش تعریف شده هستند ، یاد بگیرد.

این روش برای پرداختن به پردازش تصویر در پزشکی از جمله تقسیم بندی تصویر پزشکی استفاده شده است و به نتایج خوبی در مورد داده‌های معتبر دست یافته است. با این حال ، تقسیم بندی توده مبتنی بر CNN از یک بلوک تصویر در اطراف پیکسل به عنوان ورودی شبکه برای دسته‌بندی استفاده می‌کند ، که نه تنها باعث سربار ذخیره سازی زیادی می‌شود بلکه باعث می‌شود بازده به دلیل محاسبه مکرر در حین آموزش و پیش بینی کاهش یابد.

علاوه بر این ، استفاده از بلوک‌های تصویر بزرگ به لایه‌های ادغام بیشتری احتیاج دارند که باعث کاهش دقت تقسیم می‌شوند. از طرفی، توده‌ها در تصاویر عموماً دارای حاشیه تار و پیچیده ای دارند ، و اغلب آنها برای شناسایی نیاز به اطلاعات با وضوح بالا دارند. بنابراین، ما در این تحقیق از مدل U-Net استفاده میکنیم که در آن تمام لایه‌های کاملاً متصل در CNN سنتی با لایه‌های پیچیده جایگزین ……….

برخی از مراجع

Singh, V. K., Rashwan, H. A., Romani, S., Akram, F., Pandey, N., Sarker, M. M. K., … & Torrents-Barrena, J. (2023). Breast tumor segmentation and shape classification in mammograms using generative adversarial and convolutional neural network. Expert Systems with Applications, ۱۳۹, ۱۱۲۸۵۵٫
Chanda, P. B., & Sarkar, S. K. (2022). Detection and Classification of Breast Cancer in Mammographic Images Using Efficient Image Segmentation Technique. In Advances in Control, Signal Processing and Energy Systems (pp. 107-117). Springer, Singapore.
Li, S., Dong, M., Du, G., & Mu, X. (2019). Attention Dense-U-Net for Automatic Breast Mass Segmentation in Digital Mammogram. IEEE Access, 7, 59037-59047.
Forman, M. R., Winn, D. M., Collman, G. W., Rizzo, J., & Birnbaum, L. S. (2024). Environmental exposures, breast development and cancer risk: through the looking glass of breast cancer prevention. Reproductive Toxicology, ۵۴, ۶-۱۰٫
Zheng, X., Liu, Z., Chang, L., Long, W., & Lu, Y. (2023, May). Coordinate-guided U-Net for automated breast segmentation on MRI images. In Tenth International Conference on Graphics and Image Processing (ICGIP 2018) (Vol. 11069, p. 1106928). International Society for Optics and Photonics