تصنيف سرطان الثدي باستخدام أساليب التعليم العميق وصورة النسج المرضية: دراسة مقارنة

نماذج الشبكات العصبية الالتفافية (CNN) هي نوع من معماريات التعليم العميق التي تم تقديمها لتحقيق التصنيف الصحيح لسرطان الثدي. تحتوي هذه الورقة على هدفين. الهدف الأول هو دراسة النماذج المختلفة للتعليم العميق في تصنيف صور النسج المرضية لسرطان الثدي. وكشفت هذه الدراسة عن أكثر النماذج دقة من حيث التصنيفات الثنائية، وأربعة، وثمانية لقاعدة بيانات صور النسج المرضية لسرطان الثدي. وأظهرت الدرجات المختلفة من الدقة التي تم الحصول عليها للنماذج التعليمية العميقة على نفس قاعدة البيانات أن عوامل أخرى مثل المعالجة المسبقة، وزيادة البيانات، وطرق التعلم بالنقل يمكن أن تؤثر على قدرة النماذج في تحقيق دقة أعلى. الهدف الثاني من مخطوطةنا هو التحقيق في أحدث النماذج التي لم يتم إجراؤها أو تم فحصها بشكل محدود في دراسات سابقة. تم تحديد نماذج مثل ResNeXt وDual Path Net وSENet وNASNet كأكثر النتائج حداثة لقائمة بيانات ImageNet. تم فحص هذه النماذج للتصنيفات الثنائية والثمانية على BreakHis، وهي قاعدة بيانات صور النسج المرضية لسرطان الثدي. علاوة على ذلك، تم استخدام قاعدة بيانات BACH لدراسة هذه النماذج لأربعة تصنيفات. ثم تمت مقارنة هذه النماذج مع الدراسات السابقة للعثور على اقتراح أحدث النماذج لكل تصنيف. نظرًا لأن معمارية Inception-ResNet-V2 حققت أفضل النتائج للتصنيفات الثنائية والثمانية، فقد تم فحص هذا النموذج أيضًا في دراستنا لتوفير نتيجة مقارنة أفضل. باختصار، تقدم هذه الورقة تقييمًا واسعًا ونقاشًا حول الإعدادات التجريبية لكل دراسة تم إجراؤها على صور النسج المرضية لسرطان الثدي.