شبکه‌هاي عصبي جهت ارزيابي خصيصه‌هاي ريخت شناختي به منظور دسته بندي سلولهاي سينه  -  Neural Networks to Evaluate Morphological Features for Breast Cells Classification

    نام اصل متن :  Neural Networks to Evaluate Morphological Features for Breast Cells Classification

    نام ترجمه به فارسي :   شبکه‌هاي عصبي جهت ارزيابي خصيصه‌هاي ريخت شناختي به منظور دسته بندي سلولهاي سينه

    كد ترجمه :  MDSN29    تعداد صفحه انگليسي:  8   تعداد صفحه فارسي:   26    سال: 2008

شبکه‌هاي عصبي جهت ارزيابي خصيصه‌هاي ريخت شناختي به منظور دسته بندي سلولهاي سينه

چکيده

پيشرفت هاي سريع تکنولوژي باعث دستاوردهاي قابل توجهي در کاربردهاي پزشکي شده است. تشخيص سرطان در مراحل اوليه آن قطعا به عنوان يکي از مسايل بسيار مهم براي انجام روالهاي درماني به صورت موثر و قطعي مي‌باشد. نوآوري هاي حاصل شده در زمينه ويژگيهاي تشخيصي تومورها مي‌تواند نقش مرکزي و مهمي‌را در توسعه روشهاي درماني جديد بازي نمايد. از اينرو هدف از اين مطالعه ارزيابي خصيصه هاي ريخت شناختي يا مورفولوژيكي پيشنهادي جهت دسته بندي سلول هاي سرطاني سينه مي‌باشد. در اين مقاله، خصيصه هاي ريخت شناسي با استفاده از شبکه هاي عصبي مورد تجزيه و تحليل قرار مي‌گيرند. اين خصيصه ها، جهت بررسي مناسب ترين روش شبكه عصبي به منظور طبقه بندي خصيصه ها به صورت موثر، در معرض چندين مورد از روالها و معماري هاي شبکه عصبي قرار گرفت. عملکرد اين شبکه ها بر مبناي نتايج به دست آمده از ميانگين مربعات خطا، مثبت کاذب، منفي کاذب، حساسيت و ويژگي خاص مورد مقايسه قرار گرفت. بهترين شبکه جهت دسته بندي سلولهاي سرطاني سينه از طريق شبکه پيوندي محافظت چند لايه (hmlp) مشخص گرديد. اين شبکه به منظور بررسي قابليت تشخيصي خصيصه ها به صورت منفرد و به صورت ترکيبي به کار گرفته شد. بر اين اساس مشخص گرديد که چنين خصيصه هايي داراي قابليت هاي تشخيصي مهمي‌مي‌باشند. آموزش شبکه با استفاده از خصيصه هاي ريخت‌شناختي بارز، به نظر باعث افزايش قابل توجه قابليت هاي تشخيصي گرديده است. ترکيبي از خصيصه هاي پيشنهادي بالاترين ميزان دقت، 96% ، را حاصل آورده است.

 کلمات کليدي: ويژگي هاي ريخت شناختي، سرطان سينه، FNA، شبکه عصبي، دسته بندي

 مقدمه

سرطان سينه يکي از شايع ترين سرطان هاي تشخيص داده شده مي‌باشد و اين عارضه خود به عنوان يکي از بيماري هايي بشمار مي‌آيد که منجر به بوجود آمدن آن دسته از سرطان هايي مي‌شود که نهايتاً به مرگ بيماران زن منتهي مي‌گردد. بر اساس برآوردها در حدود يک زن در بين دوازده زن ممکن است در طول دوره حيات خود دچار عارضه سرطان سينه شود. اکثريت بيماراني که از سرطان سينه رنج مي‌برند (95%)، اين عارضه را به صورت تصادفي گرفته اند. تنها بخش کوچکي، مخصوصاً زناني که در سن جواني مي‌باشند، اين عارضه را به واسطه صفت كاملا نافذ اتوزومي-‌ غالب گرفته اند. پيشرفتهاي قابل توجهي در امر شناسايي و يافتن ويژگي هاي ريخت شناسانه اين تومورها بوجود آمده است. تومورهايي که در حقيقت جزء آن دسته از تومورها به شمار مي‌آيند که مسئول بروز سرطان سينه به صورت ارثي مي‌باشند. تشخيص زود هنگام به عنوان يک پارامتر کليدي جهت شناسايي مرحله پيشرفت بيماري مد نظر مي‌باشد و در صورتي که شناسايي زودرس حاصل آيد مي‌توان نسبت به اعمال رويه هاي درماني مناسب اقدام نمود...

يک مطالعه مفصل در زمينه طبقه بندي سرطان سينه بر مبناي خصيصه هاي ريخت شناسي سرطان سينه به وسيله بسياري از محققين انجام شده است. بر حسب اکتشافات اخير، الگوريتمهاي بسياري به منظور تشخيص طبقه بندي سلول هاي سرطان سينه با استفاده از شبکه‌هاي عصبي انجام گرفته است. به کارگيري الگوريتم ريخت شناسي مرتبط بر روي تصاوير ماموگراف ديجيتالي مي‌تواند در زمينه تشخيص تومورهاي سرطان سينه راه گشا باشد...

در اين مطالعه، خصيصه هاي مورفولوژيکي تشريحي به فرم يا ساختار ريخت شناسي سلولهاي پستاني رجوع دارد. خصيصه هاي مورفولوژيکي اطلاعاتي را در زمينه اندازه، شکل و بافت يک سلول ارائه مي‌نمايند. سلولهاي سينه جزء مواردي بشمار مي‌آيند که از طريق ياخته و شناسي FNA، که شامل موارد خوش خيم و بد خيم مي‌باشد، حاصل مي‌شود. به طور کلي، خصيصه هاي عمومي‌الگوهاي بدخيم عبارتند از...

روش شناسي

در اين مطالعه، بررسي هاي اوليه در زمينه تعيين شبکه مناسب به منظور ارزيابي شبکه متناسب براي طبقه بندي سلول هاي سرطاني سينه مورد تحقيق و بررسي قرار گرفت. خصيصه هاي مورفولوژيکي داده هاي بدست آمده از لکه هاي FNA به عنوان مارکرهاي ورودي جهت آموزش شبکه هاي عصبي مصنوعي بکار گرفته شد. مارکرهاي ورودي انتخابي جزء مواردي به شمار مي‌آمدند که بوسيله آن دسته از متخصصين آسيب شناسي انتخاب شده بودند که خود در امر مديريت سرطان سينه درگير بودند...

در اين مطالعه، خصيصه هاي مورفولوژيکي به عنوان مواردي مشخص شد که داراي قابليتهاي تشخيصي مي‌باشند. ويژگيهاي واحد، قابليت طبقه بندي درست را خواهند داشت. اين امر نشان دهنده آن است که چنين خصيصه هايي قابليت مشخص کردن تومورهاي تهاجمي در سطح سلولي را دارا مي‌باشند. با وجود آنکه اين ويژگيها به صورت مستقل از اهميت چنداني برخوردار نخواهند بود، آنها قابليت ارائه ميزان بالايي از دقت در حالت استفاده جمعي را خواهند داشت. اين امر به هنگامي که از اين خصيصه ها به صورت واحد استفاده شده است محرز گرديده است. آنها نتايج طبقه بندي بالايي را عرضه نداشته اند. اغلب خصيصه ها تنها موارد خوش خيم را به خوبي بيان داشته اند. به طور مثال، خصيصه Xlength به خودي خود بسياري از موارد بدخيم را مشخص نموده است، اما اين تشخيص به بهاي داشتن موارد اشتباه در زمينه تشخيص موارد خوش خيم بوده است. به هنگاميکه Ylength نيز ترکيب گرديده است، کليه موارد خوش خيم را مي‌توان طبقه بندي نمود و همچنين اغلب موارد خوش خيم را مي‌توان شناسايي کرد...

براي سفارش ترجمه اين قسمت را كليك نمائيد