پیش‌بینی سرطان دهانه رحم از طریق روش‌های مختلف غربالگری با استفاده از یادگیری ماشین بر اساس ویژگی‌های قوی شبکه cnn-svm

چکیده : امروزه تشخیص سرطان دهانه رحم در زنان مبتلا به این بیماری مهم است . هدف پیش‌بینی سرطان دهانه رحم از طریق روش‌های مختلف غربالگری با استفاده از یادگیری ماشینی بر اساس ویژگی‌های قوی شبکه cnn-svm برای مقایسه چندین طبقه‌بندی کننده برای تشخیص سرطان است. روش در این مقاله عبارت است از ادغام ویژگی های استخراج شده از لایه پنهان cnn با استخراج ویژگی های قوی ماتریس glcmکه پس از کاهش ابعاد، وارد طبقه بندی کننده شده و با روش رای گیری مقایسه می شوند . این روش بر روی مجموعه داده های نظارت شده با نام ؛ kag_risk_factors_cervical_cancer ارزیابی شد. یافته های این پژوهش با تکنیک های یادگیری ماشین به ویژه یادگیری عمیق در این زمینه میتواند زودتر از پزشکان ، بیماری سرطان دهانه رحم را تشخیص دهد . نتایج نشان داد که ویژگی قوی مدل cnn-svm در طبقه بندی سلولی برای غربالگری سرطان دهانه رحم بهترین عملکرد را دارد.

cervical cancer prediction through different screening methods using machine learning based on strong features of cnn-svm network.

abstract: nowadays, it is important to diagnose cervical cancer in women suffering from this disease .the objective is to predict cervical cancer through different screening methods using machine learning based on robust features of cnn-svm network to compare several classifiers for cancer detection.the method in this article is to merge the features extracted from the cnn hidden layer with the extraction of the strong features of the glcm matrix, which are entered into the classifier after reducing the dimensions and compared with the voting method .this method is based on the monitored data set named; kag _ risk _ factors _ cervical _ cancer was assessed .the findings of this research with machine learning techniques, especially deep learning in this field, can diagnose cervical cancer earlier than doctors .the results showed that the robust feature of the cnn-svm model has the best performance in cell classification for cervical cancer screening.