فهرست نشریات علمی دسترسی آزاد ایران

امروزه بسیاری از محققان با استفاده از سیستم‌های مبتنی بر یادگیری عمیق و هوش مصنوعی، در حوزه پزشکی به تشخیص و طبقه‌بندی بسیاری از بیماری‌ها مانند تشخیص سرطان می‌پردازند. تشخیص زودهنگام و دقیق سرطان سینه بر اساس تصاویر ماموگرافی می‌تواند به پزشکان در درمان به موقع بیماری کمک بسزایی کند. از طرفی اکثر شبکه‌های عمیق مورد استفاده در سیستم‌های تشخیص سرطان سینه (BC)، به دلیل استفاده از لایه‌های تمام متصل (FC)، روش آموزشی زمان بر و حجم محاسبات بالا، برای کاربردهای بلادرنگ مناسب نیستند. لذا در این مقاله، یک روش جدید ترکیبی مبتنی بر یادگیری عمیق و هوش ازدحامی به نام EZFNet-ELM-COA جهت تشخیص بلادرنگ سرطان سینه پیشنهاد شده است. در شبکه پیشنهادی (Enhanced ZFNet)، در لایه‌های کانولوشنی شبکه ZFNet، فیلترهای اندازه بزرگ با دو سری فیلتر اندازه کوچک‌تر جایگزین شده‌اند و سپس خروجی‌های فیلترها با یکدیگر الحاق شده است. استفاده از این تکنیک چندمقیاسی باعث استخراج ویژگی‌های موثرتر توسط شبکه می‌گردد. همچنین جهت بالابردن سرعت آموزش و کاهش محسوس حجم محاسبات، لایه‌های تمام متصل شبکه EZFNet از پیش‌آموزش‌دیده توسط شبکه یادگیری افراطی (ELM) جایگزین شد. در انتها نیز قابلیت تعمیم ELM با استفاده از بروزرسانی وزن‌ها و بایاس‌های لایه وروی ELM توسط الگوریتم بهینه‌سازی کواتی (COA) بهبود داده شده است. جهت بررسی عملکرد سیستم، از شش معیار ارزیابی، استفاده شده است، که مدل پیشنهادی ما در معیارهای دقت، صحت، حساسیت، تشخیص‌پذیری، F1-score و MCC به ترتیب مقادیر 97.97، 95.70، 97.15، 98.28، 96.42 و 93.98 درصدی را به دست آورده است. نتایج به دست آمده افزایش دقت، بهبود کارآیی، کاهش چشمگیر زمان محاسبات و سطح عملکردی بالای سیستم پیشنهادی را نسبت به روش‌های موجود نشان می‌دهد.