دوره 78، شماره 3 - ( خرداد 1399 )
جلد 78 شماره 3 صفحات 154-150 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ameri A. Melanoma detection with a deep learning model. Tehran Univ Med J 2020; 78 (3) :150-154
URL: http://tumj.tums.ac.ir/article-1-10477-fa.html
URL: http://tumj.tums.ac.ir/article-1-10477-fa.html
عامری علی. تشخیص ملانوما با یک مدل یادگیری عمیق. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1399; 78 (3) :150-154
گروه مهندسی پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران. ، aliameri86@gmail.com
چکیده: (2670 مشاهده)
زمینه و هدف: سرطان پوست یکی از شایعترین سرطان‌ها و ملانوما (Melanoma) کشنده‌ترین نوع سرطان پوست می‌باشد. خال ملانوسیتیک (Melanocytic nevi) و ملانوما هر دو از ملانوسایت‌ها (سلول‌های تولیدکننده رنگدانه) به‌وجود می‌آیند، اما خال ملانوسیتیک خوش‌خیم و ملانوما بدخیم هستند. این مقاله یک مدل یادگیری عمیق (Deep learning) برای طبقه‌بندی (Classification) این دو ضایعه پوستی ارایه می‌کند.
روش بررسی: در این مطالعه تحلیلی که در بهمن ۱۳۹۸ در دانشگاه علوم پزشکی شهید بهشتی انجام شد، از مجموعه داده عکس‌های درماسکوپی Human against machine with 10000 training images, (HAM10000)، هزار تصویر خال ملانوسیتیک و هزار تصویر ملانوما استخراج گردید. از هر مورد، ۹۰۰ تصویر به شکل تصادفی برای آموزش سیستم انتخاب شدند و ۱۰۰ تصویر باقیمانده برای تست اختصاص داده شد. یک مدل یادگیری عمیق شبکه عصبی کانولوشنال (Convolutional neural network)، با استفاده از AlexNet (Krizhevsky et al., 2012) به‌عنوان مدل از پیش آموزش دیده شده (Pretrained)، به‌کارگرفته شد. در ابتدا این شبکه با ۱۸۰۰ تصویر آموزش داده شد و سپس عملکرد آن بر روی ۲۰۰ تصویر ارزیابی گردید.
یافته‌ها: مدل پیشنهادی به دقت ۹۳% (Accuracy) در طبقه‌بندی تصاویر به دو کلاس خوش‌خیم و بدخیم دست یافت. همچنین مساحت زیر منحنی Receiver operating characteristic (ROC)، ۹۸/۰، حساسیت ۹۴% (Sensitivity) و اختصاصیت ۹۲% (Specificity) به‌دست آمد. همچنین با تنظیم پارامتر آستانه طبقه‌بندی مدل، امکان افزایش حساسیت، به قیمت کاهش اختصاصیت وجود دارد و بالعکس.
نتیجه‌گیری: با توجه به دشواری تشخیص ملانوما حتی برای متخصصین با تجربه، یافته‌های این مطالعه، توانایی بالای یادگیری عمیق را در تشخیص سرطان پوست نشان می‌دهد.
روش بررسی: در این مطالعه تحلیلی که در بهمن ۱۳۹۸ در دانشگاه علوم پزشکی شهید بهشتی انجام شد، از مجموعه داده عکس‌های درماسکوپی Human against machine with 10000 training images, (HAM10000)، هزار تصویر خال ملانوسیتیک و هزار تصویر ملانوما استخراج گردید. از هر مورد، ۹۰۰ تصویر به شکل تصادفی برای آموزش سیستم انتخاب شدند و ۱۰۰ تصویر باقیمانده برای تست اختصاص داده شد. یک مدل یادگیری عمیق شبکه عصبی کانولوشنال (Convolutional neural network)، با استفاده از AlexNet (Krizhevsky et al., 2012) به‌عنوان مدل از پیش آموزش دیده شده (Pretrained)، به‌کارگرفته شد. در ابتدا این شبکه با ۱۸۰۰ تصویر آموزش داده شد و سپس عملکرد آن بر روی ۲۰۰ تصویر ارزیابی گردید.
یافته‌ها: مدل پیشنهادی به دقت ۹۳% (Accuracy) در طبقه‌بندی تصاویر به دو کلاس خوش‌خیم و بدخیم دست یافت. همچنین مساحت زیر منحنی Receiver operating characteristic (ROC)، ۹۸/۰، حساسیت ۹۴% (Sensitivity) و اختصاصیت ۹۲% (Specificity) به‌دست آمد. همچنین با تنظیم پارامتر آستانه طبقه‌بندی مدل، امکان افزایش حساسیت، به قیمت کاهش اختصاصیت وجود دارد و بالعکس.
نتیجه‌گیری: با توجه به دشواری تشخیص ملانوما حتی برای متخصصین با تجربه، یافته‌های این مطالعه، توانایی بالای یادگیری عمیق را در تشخیص سرطان پوست نشان می‌دهد.
نوع مطالعه: مقاله اصیل |
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
