طبقه بندی کننده دومرحله ای مبتنی بر نمایش تنک و کاربرد آن در تشخیص سرطان
نویسندگان
چکیده
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﺘﺎﻳﺞ ﻣﻮﻓﻘﻴﺖﺁﻣﻴﺰ ﻃﺒﻘﻪﺑﻨﺪیﻛﻨﻨﺪﻩ ﻣﺒﺘﻨﻰ ﺑﺮ ﻧﻤﺎﻳﺶ ﺗﻨﮏ (src) ﻭ ﺧﻮﺷﻪﺑﻨﺪی ﺯﻳﺮﻓﻀﺎی ﺗﻨﮏ (ssc) ﺩﺭ ﻛﺎﺭﺑﺮﺩﻫﺎی ﻣﺨﺘﻠﻒ، ﺩﺭ ﺍﻳﻦ ﻣﻘﺎﻟﻪ ﺑﺎ ﺗﺮﻛﻴﺐ ﺍﻳﻦ ﺩﻭ ﺭﻭﺵ، ﻳﮏ ﺭﻭﺵ ﻃﺒﻘﻪﺑﻨﺪی ﺳﻠﺴﻠﻪ ﻣﺮﺍﺗﺒﻰ ﺍﺭﺍﺋﻪ ﻣﻰﺷﻮﺩ. ﺍﻳﺪﻩ ﺍﺻﻠﻰ ﺩﺭ ﺭﻭﺵﻫﺎی ﻃﺒﻘﻪﺑﻨﺪی ﻭ ﺧﻮﺷﻪﺑﻨﺪی ﻣﺒﺘﻨﻰ ﺑﺮ ﻧﻤﺎﻳﺶ ﺗﻨﮏ، ﻧﻤﺎﻳﺶ ﻫﺮ ﺩﺍﺩﻩ ﺑﻪ ﺻﻮﺭﺕ ﺗﺮﻛﻴﺐ ﺧﻄﻰ ﺗﻨﮏ ﺍﺯ ﺳﺎﻳﺮ ﺩﺍﺩﻩﻫﺎ ﺍﺳﺖ ﺑﻪ ﮔﻮﻧﻪﺍی ﻛﻪ ﺩﺍﺩﻩﻫﺎی ﻣﺸﺎﺑﻪ ﺑﺎ ﺩﺍﺩﻩ ﻣﻮﺭﺩ ﻧﻈﺮ ﺩﺭ ﺍﻳﻦ ﺗﺮﻛﻴﺐ ﺧﻄﻰ ﺑﻴﺸﺘﺮﻳﻦ ﻭﺯﻥ ﺭﺍ ﺑﻪ ﺧﻮﺩ ﺍﺧﺘﺼﺎﺹ ﺩﻫﻨﺪ. ﺩﺭ ﺭﻭﺵ ﭘﻴﺸﻨﻬﺎﺩی، ﺑﻪ ﻣﻨﻈﻮﺭ ﺩﺳﺖﻳﺎﺑﻰ ﺑﻪ ﺻﺤﺖ ﻃﺒﻘﻪﺑﻨﺪی ﺑﻴﺸﺘﺮ، ﺍﺑﺘﺪﺍ ﺩﺍﺩﻩﻫﺎی ﺁﻣﻮﺯﺷﻰ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺭﻭﺵ ﺧﻮﺷﻪﺑﻨﺪی ﺯﻳﺮﻓﻀﺎی ﺗﻨﮏ ﺑﺨﺶﺑﻨﺪی ﻣﻰﺷﻮﻧﺪ. ﺳﭙﺲ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺷﻴﻮﮤ ﺑﻜﺎﺭ ﮔﺮﻓﺘﻪ ﺷﺪﻩ ﺩﺭ ﻃﺒﻘﻪﺑﻨﺪیﻛﻨﻨﺪﻩ ﻣﺒﺘﻨﻰ ﺑﺮ ﻧﻤﺎﻳﺶ ﺗﻨﮏ، ﻃﺒﻘﻪﺑﻨﺪیﻛﻨﻨﺪﻩﺍی ﺩﻭ ﻣﺮﺣﻠﻪﺍی ﻃﺮﺍﺣﻰ ﻣﻰﺷﻮﺩ. ﺩﺭ ﻣﺮﺣﻠﺔ ﺍﻭﻝ، ﺧﻮﺷﻪﺍی ﻛﻪ ﺩﺍﺩﻩ ﻭﺭﻭﺩی ﺑﻴﺸﺘﺮﻳﻦ ﺷﺒﺎﻫﺖ ﺭﺍ ﺑﺎ ﺁﻥ ﺩﺍﺭﺩ ﺗﻌﻴﻴﻦ ﺷﺪﻩ ﻭ ﺩﺭ ﻣﺮﺣﻠﻪ ﺑﻌﺪ ﻃﺒﻘﺔ ﻣﺮﺑﻮﻃﻪ ﺑﺮﭼﺴﺐ ﺩﺍﺩﻩ) ﺗﻌﻴﻴﻦ ﻣﻰﺷﻮﺩ. ﺑﺮﺍی ﺍﺭﺯﻳﺎﺑﻰ ﺭﻭﺵ ﭘﻴﺸﻨﻬﺎﺩی ﺍﺯ ﺩﺍﺩﮔﺎﻥ ﺭﻳﺰﺁﺭﺍﻳﻪ tumors-14 -ﻛﻪ ﺣﺎﻭی ﺍﻃﻼﻋﺎﺕ ﻣﺮﺑﻮﻁ ﺑﻪ ﻧﻮﻉ ﺳﺮﻃﺎﻥ ﻣﺨﺘﻠﻒ ﺍﺳﺖ- ﺍﺳﺘﻔﺎﺩﻩ ﺷﺪﻩ ﺍﺳﺖ. ﺍﺯ ﺟﻤﻠﻪ ﻭﻳﮋﮔﻰﻫﺎی ﺍﻳﻦ ﺩﺍﺩﮔﺎﻥ ﺗﻌﺪﺍﺩ ﺯﻳﺎﺩ ﺑﻌﺪ ﺩﺭ ﻣﻘﺎﺑﻞ ﺗﻌﺪﺍﺩ ﻛﻢ ﻧﻤﻮﻧﻪ ﺩﺭ ﺍﺳﺖ ﻛﻪ ﻋﻤﻞ ﻃﺒﻘﻪﺑﻨﺪی ﺁﻥﻫﺎ ﺭﺍ ﺑﻪ ﻣﺴﺄﻟﻪﺍی ﭼﺎﻟﺶﺑﺮﺍﻧﮕﻴﺰ ﺗﺒﺪﻳﻞ ﻣﻰﻛﻨﺪ. ﺍﺑﻌﺎﺩ ﺯﻳﺎﺩ ﺩﺍﺩﻩﻫﺎ ﻧﻪ ﺗﻨﻬﺎ ﻣﺸﻜﻼﺗﻰ ﺍﺯ ﺟﻤﻠﻪ ﻧﻔﺮﻳﻦ ﺍﺑﻌﺎﺩ ﻭ ﺑﻴﺶ ﺍﻧﻄﺒﺎﻕ ﻃﺒﻘﻪﺑﻨﺪیﻛﻨﻨﺪﻩ ﺑﻪ ﺩﺍﺩﻩﻫﺎی ﺁﻣﻮﺯﺷﻰ ﺭﺍ ﺑﻪ ﺩﻧﺒﺎﻝ ﺩﺍﺭﺩ، ﺑﻠﻜﻪ ﺑﺎﻋﺚ ﺍﻓﺰﺍﻳﺶ ﭘﻴﭽﻴﺪﮔﻰ ﻣﺤﺎﺳﺒﺎﺗﻰ ﺷﺪﻩ؛ ﺯﻣﺎﻥ ﻻﺯﻡ ﺭﺍ ﺑﺮﺍی ﺍﺟﺮﺍی ﺍﻟﮕﻮﺭﻳﺘﻢﻫﺎ ﺍﻓﺰﺍﻳﺶ ﻣﻰﺩﻫﺪ. ﺁﺯﻣﺎﻳﺶﻫﺎی ﺍﻧﺠﺎﻡ ﺷﺪﻩ ﺑﺮ ﺍﻳﻦ ﺩﺍﺩﮔﺎﻥ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﺭﻭﺵ ﭘﻴﺸﻨﻬﺎﺩی ﻧﺸﺎﻥ ﻣﻰﺩﻫﺪ ﻛﻪ ﺩﺭ ﻣﻘﺎﻳﺴﻪ ﺑﺎ ﺳﺎﻳﺮ ﺭﻭﺵﻫﺎی ﻃﺒﻘﻪﺑﻨﺪی، ﺍﻳﻦ ﺭﻭﺵ ﺑﻪ ﻧﺘﺎﻳﺞ ﺑﻬﺘﺮی ﻣﻨﺠﺮ ﻣﻰﺷﻮﺩ.
منابع مشابه
طبقه‌بندی کننده دومرحله‌ای مبتنی بر نمایش تنک و کاربرد آن در تشخیص سرطان
ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﺘﺎﻳﺞ ﻣﻮﻓﻘﻴﺖﺁﻣﻴﺰ ﻃﺒﻘﻪﺑﻨﺪیﻛﻨﻨﺪﻩ ﻣﺒﺘﻨﻰ ﺑﺮ ﻧﻤﺎﻳﺶ ﺗﻨﮏ (SRC) ﻭ ﺧﻮﺷﻪﺑﻨﺪی ﺯﻳﺮﻓﻀﺎی ﺗﻨﮏ (SSC) ﺩﺭ ﻛﺎﺭﺑﺮﺩﻫﺎی ﻣﺨﺘﻠﻒ، ﺩﺭ ﺍﻳﻦ ﻣﻘﺎﻟﻪ ﺑﺎ ﺗﺮﻛﻴﺐ ﺍﻳﻦ ﺩﻭ ﺭﻭﺵ، ﻳﮏ ﺭﻭﺵ ﻃﺒﻘﻪﺑﻨﺪی ﺳﻠﺴﻠﻪ ﻣﺮﺍﺗﺒﻰ ﺍﺭﺍﺋﻪ ﻣﻰﺷﻮﺩ. ﺍﻳﺪﻩ ﺍﺻﻠﻰ ﺩﺭ ﺭﻭﺵﻫﺎی ﻃﺒﻘﻪﺑﻨﺪی ﻭ ﺧﻮﺷﻪﺑﻨﺪی ﻣﺒﺘﻨﻰ ﺑﺮ ﻧﻤﺎﻳﺶ ﺗﻨﮏ، ﻧﻤﺎﻳﺶ ﻫﺮ ﺩﺍﺩﻩ ﺑﻪ ﺻﻮﺭﺕ ﺗﺮﻛﻴﺐ ﺧﻄﻰ ﺗﻨﮏ ﺍﺯ ﺳﺎﻳﺮ ﺩﺍﺩﻩﻫﺎ ﺍﺳﺖ ﺑﻪ ﮔﻮﻧﻪﺍی ﻛﻪ ﺩﺍﺩﻩﻫﺎی ﻣﺸﺎﺑﻪ ﺑﺎ ﺩﺍﺩﻩ ﻣﻮﺭﺩ ﻧﻈﺮ ﺩﺭ ﺍﻳﻦ ﺗﺮﻛﻴﺐ ﺧﻄﻰ ﺑﻴﺸﺘﺮﻳﻦ ﻭﺯﻥ ﺭﺍ ﺑﻪ ﺧﻮﺩ ﺍﺧﺘﺼﺎﺹ ...
متن کاملبهبود کارایی طبقه بندی کننده مبتنی بر نمایش تنک برای طبقه بندی سیگنالهای مغزی
در این مقاله مسئله طبقه بندی سیگنالهای eeg مبتنی بر تصور حرکتی برای یک سیستم واسط مغز-کامپیوتر (bci)، توسط طبقه بندی کننده مبتنی بر نمایش تنک (src) مورد توجه واقع شده است. این طبقه بندی کننده برای کارایی بالا نیاز به طراحی ماتریس دیکشنری قوی دارد. با توجه به کارایی بالای الگوریتم الگوهای مکانی مشترک (csp) در سیستمهای bci، از این روش برای طراحی ماتریس دیکشنری استفاده شده است. از معایب cspحساس به...
متن کاملبهبود عملکرد طبقه بندی کننده مبتنی بر نمایش تنک در سیستم های bci با بهسازی فرایند استخراج ویژگی و استفاده از الگوریتم بهینه یافتن پاسخ تنک
در سال های اخیر، واسط مغز – رایانه (bci)، به عنوان وسیله ای جدید برای ارتباط بین مغز انسان و محیط اطرافش مورد توجه قرار گرفته است. به منظور راه اندازی چنین سیستمی، همکاری چند بلوک از جمله بلوک های ثبت، پردازش سیگنال و رابط کاربری مورد نیاز است. بلوک پردازش سیگنال شامل بلوک های پیش پردازش و شناسایی الگو است و بلوک شناسایی الگو شامل دو مرحله استخراج ویژگی و طبقه بندی می باشد. در این مقاله از طبقه...
متن کاملآشکارسازی حرکت پا در سیستم واسط مغز-رایانه کاربرفرما با استفاده از روش طبقه بندی مبتنی بر نمایش تنک سیگنال
سیستم های bciکاربرفرما در مقایسه با سیستمهای bciسنکرون، ارتباط طبیعیتر کاربر را با فضای خارج امکانپذیر می کنند. آشکارسازی بازه های وقوع حرکت در سیگنال پیوسته eegمسأله ای کلیدی در طراحی سیستمهای bci کاربرفرما مبتنی بر حرکت است. در این مقاله با استفاده از ویژگی بعد فرکتالی در باندفرکانسی 6 تا 36 هرتز و طراحی طبقه بند مبتنی بر نمایش تنک سیگنال، پدیده نورولوژیک همزمانی وابسته به رخداد (ers)- که...
متن کاملارزیابی و بهبود عملکرد روش های مبتنی بر نمایش تنک در مسائل پیچیده طبقه بندی داده ها
طی دهه اخیر، پردازش تنک سیگنال ها به عنوان ابزاری قدرتمند و جایگزینی کارا برای تبدیل های کلاسیک، توجه زیادی را به خود جلب کرده است. استفاده از نمایش تنک سیگنال ها در مسائل طبقه بندی نیز نتایج موفقیت آمیزی به همراه داشته است. با این حال، کیفیت عملکرد این طبقه بندی کننده ها در شرایط سخت، از جمله در مواردی که داده های هر طبقه تنوع زیادی داشته و یا ابعاد داده ها در مقایسه با تعداد داده های آموزشی ز...
15 صفحه اولبهینهسازی وزن‌ها در کرنل مرکب برای طبقه‌بند مبتنی بر نمایش تنک کرنلی
طبقه‌بند مبتنی بر نمایش تنک (SRC)یکی از الگوریتم‌های موفق در ترکیب مفاهیم مطرح در دو حوزه نمونه‌برداری فشرده و آموزش ماشین است. در SRC، هر نمونه بر اساس ترکیب خطی تنکی از نمونه‌های آموزشی نمایش داده می‌شود. با توجه به موفقیت‌های اولیه این الگوریتم، فرم کرنلیزه آن (KSRC) نیز ارائه شده که در آن داده‌ها با استفاده از تابع کرنل به طور غیر صریح به فضای ویژگی جدیدی با ابعاد بالاتر نگاشت یافته و سپسSR...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
فصل نامه علمی پژوهشی مهندسی پزشکی زیستیناشر: انجمن مهندسی پزشکی ایران
ISSN 8006-9685
دوره 8
شماره 1 2014
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023