فهرست نشریات علمی دسترسی آزاد ایران

سرطان پروستات، به عنوان یکی از مهم­ترین بیماری­های مردان به شمار می‌رود. تشخیص زودهنگام و به موقع این بیماری و درجه­ی پیش‌رفت آن، به روند درمان و جلوگیری از سرایت بیماری به سایر بافت­ها، کمک شایانی می­کند. به منظور تعیین درجه­ی بیماری، از بافت نمونه‌برداری شده و با بررسی ساختار پاتولوژی، نوع درجه تعیین می­گردد. در جدیدترین دسته‌بندی، بافت پروستات به پنج درجه تقسیم­بندی می‌شود که درجه­ی یک، خوش­خیم­ترین حالت و درجه­ی پنج، نشان­دهنده­ی وخیم­ترین حالت بیماری می‌باشد. با توجه به زمان­بر بودن طبقه‌بندی توسط انسان و رشد فناوری هوش مصنوعی، اخیرا این طبقه­بندی­ها توسط الگوریتم­های هوشمند مختلفی انجام می­شود. اگر چه امروزه روش­های قدرت­مندی به منظور توصیف و طبقه­بندی تصاویر، ابداع شده، اما وجود فاصله­ی معناداری میان ادراک بینایی انسان و ویژگی­های سطح پایین استخراج شده توسط الگوریتم­ها، مهم­ترین چالش در راه دست­یابی به دقت مطلوب به شمار می­رود. در این مقاله، با ترکیب ویژگی­های آماری بافت تصویر و ویژگی­های عمیق استخراج شده توسط شبکه­ی عصبی کانولوشن عمیق، روش جدیدی ارائه شده است که در آن، استفاده از شبکه‌ی عصبی کانولوشن عمیق، باعث به دست آمدن ویژگی­های سطح بالا و عمیقی از تصاویر پاتولوژی شده و با ترکیب این ویژگی‌ها با ویژگی­های آماری بافت، دقت طبقه‌بندی افزایش یافته است. به منظور ارزیابی روش پیشنهادی، این روش روی پایگاه داده­ی جامعه­ی بین­المللی آسیب‌شناسی اورولوژی، اعمال شده است. نتایج به دست آمده نشان ­می­دهد که روش پیشنهادی، به دقت بیش‌تری نسبت به سایر روش­های مرسوم برای طبقه‌بندی تصاویر پاتولوژی دست یافته است.