توسعه و ارزیابی روشی جدید مبتنی بر شبکه های عصبی انتشار به عقب برای افزایش دقت تشخیص سرطان ریه

در این مقاله، با استفاده از شبکه‌های عصبی مصنوعی، روشی برای طبقه‌بندی تصاویر مقطع نگاری رایانه‌ای ریه با هدف تشخیص زودهنگام سرطان ارائه شده است. برای این منظور، با استفاده از تصاویر مقطع نگاری رایانه‌ای، کل ریه قطعه‌بندی شده و پارامترهای آماری همچون میانگین، انحراف معیار، چولگی، کشیدگی، گشتاور مرکزی مرتبه پنجم و گشتاور مرکزی مرتبه ششم از روی تصاویر قطعه‌بندی شده محاسبه می‌شوند. در فرایند طبقه‌بندی از شبکه‌های عصبی پیشخور انتشار به عقب استفاده شده است. نتایج نشان می‌دهد در میان توابع آموزشی موجود برای آموزش شبکه‌ های عصبی انتشار به عقب، بهترین دقت طبقه‌بندی با استفاده از تابع آموزشی traingdx و با دقت % 91.1 حاصل شده است. همچنین، دو تابع آموزشی جدید نیز در این مقاله معرفی شده‌اند که یکی از آن‌ها با دقت % 93.3، تشخیص % 100، حساسیت % 91.4 و حداقل میانگین مربعات خطای 0.998 و دیگری با دقت % 93.3 و حداقل میانگین مربعات خطای 0.0942 به نتایج قابل قبولی دست یافته اند. به‌طور کلی، تشخیص زودهنگام سرطان با استفاده از شبکه‌های عصبی مصنوعی امیدوارکننده‌ترین راه برای افزایش شانس زنده‌ماندن بیماران است.

development and evaluation of a novel backpropagation neural networks method for improving lung cancer diagnosis accuracy

this paper presents a novel artificial neural network-based method for the classification of lung ct images to enable early diagnosis of lung cancer. for this purpose, the entire lung is segmented from the ct images, and statistical parameters such as mean, standard deviation, skewness, kurtosis, fifth-order central moment, and sixth-order central moment are computed from the segmented images. a feedforward backpropagation neural network is employed for the classification process. the results show that among the existing training functions for backpropagation neural networks, the best classification accuracy of 91.1% is achieved using the traingdx training function. additionally, two novel training functions are introduced in this paper, one of which achieved an accuracy of 93.3%, 100% detection rate, 91.4% sensitivity, and a mean squared error of 0.998, while the other achieved an accuracy of 93.3% and a mean squared error of 0.0942. overall, the early diagnosis of lung cancer using artificial neural networks is a promising approach to increase the survival rate of patients.