تشخیص سرطان کبد از تصاویر سی‌تی اسکن با استفاده از شبکه عصبی پیچشی و ماشین بردار پشتیبانی

سرطان کبد، به طور عمده، پنجمین سرطان شایع در مردان و هفتمین سرطان شایع در زنان است و سومین علت اصلی مرگ و میر ناشی از سرطان در سراسر جهان است. به طور کلی، این بیماری در زنان کمتر شایع است و در بیشتر مناطق جهان، میزان سرطان کبد مردان نسبت به زنان دو تا سه برابر بیشتر است که احتمالاً به دلیل شیوع بیشتر عوامل خطر در مردان و تفاوت‌های جنسی است. در همین رابطه هدف از پژوهش حاضر تشخیص سرطان کبد از تصاویر سی‌تی اسکن با استفاده از شبکه عصبی پیچشی و ماشین بردار پشتیبانی بوده است. در این پژوهش، یک شبکه عصبی cnn سبک جدید با هفت لایه و فقط یک لایه معمولی برای طبقه‌بندی کبد تقسیم‌بندی شده پیشنهاد شده است. این مدل پیشنهادی در دو مسیر مختلف استفاده شد. مسیر اول از طبقه‌بندی یادگیری عمیق استفاده نمود و به دقت 83.7% و 95.9% دست یافت. در همین حال، مسیر دوم از ویژگی‌های استخراج شده به طور خودکار همراه با یک طبقه‌بندی کننده ماشین بردار پشتیبانی (svm) استفاده نمود و به دقت 95.9% و 97.9% دست یافت. شبکه پیشنهادی سبک، سریع، قابل اعتماد و دقیق است. این رویکرد می‌تواند توسط یک متخصص انکولوژی استفاده شود، که تشخیص را به یک کار ساده تبدیل می‌کند. علاوه بر این، شبکه پیشنهادی دقت بالایی را بدون تنظیم تصاویر به‌دست می‌آورد که باعث کاهش زمان و هزینه می‌شود.

detection of liver cancer from ct scan images using convolutional neural network and support vector machine

liver cancer is the fifth most common cancer in men and the seventh most common cancer in women, and is the third leading cause of cancer-related deaths worldwide. in general, the disease is less common in women, and in most regions of the world, the rate of liver cancer in men is two to three times higher than in women, which is probably due to the higher prevalence of risk factors in men and gender differences. in this regard, the aim of this research was to detect liver cancer from ct scan images using a convolutional neural network and support vector machine. in this research, a new lightweight cnn neural network with seven layers and only one conventional layer is proposed for segmented liver classification. this proposed model used in two different ways. the first path used deep learning classification and achieved accuracies of 83.7% and 95.9%. meanwhile, the second route used automatically extracted features together with a support vector machine (svm) classifier and achieved accuracies of 95.9% and 97.9%. the proposed network is lightweight, fast, reliable and accurate. this approach can used by an oncologist, making detection a simple task. in addition, the proposed network achieves high accuracy without adjusting images, which reduces time and cost.