بکارگیری تئوری شواهد دمپستر- شافر برای ادغام شبکه‌هایcnn و u-netاز تصاویرهیستوپاتولوژی

طبق آمار globocan 2020، سرطان یکی از علل اصلی مرگ و میر است. تاکنون، پیشرفت چشمگیری در تشخیص بافت‌های سرطانی صورت گرفته و منجر به کاهش مرگ و میر و بهبود کیفیت زندگی شده است، در این میانیکی از روش‌های تشخیص،یادگیری عمیق(dl) است. پاتولوژی دیجیتال(dp)،بافت‌های سلولی رابه دسته‌های خوش‌خیم و بدخیمطبقه بندی می‌کند. مسئله این است، برخی داده‌های نامطمئن وجود دارد که درمواجهه با آنها باید طبقه‌بند موثرتری بکار برد. نظریه‌های احتمال کلاسیک دقت پایینی در تشخیص داده‌هاینامطمئن دارند، بنابراین نیاز به ارائه روش‌هایی برای رفع اینمسئلهاست. این مقاله تئوری شواهد دمپستر-شافر(dst)، برای ادغام توابع جرم جهت طبقه‌بندی تصاویر هیستوپاتولوژیک و بهبود دقت تشخیص، پیشنهاد می‌کند. روش پیشنهادی، ترکیب طبقه‌بندی های مرسوم شبکه عصبی کانولوشن(cnn) و شبکهu-net است. یک رمزگذار کانولوشن سفارشی برایآموزش مجموعه تصاویرورودی از تصاویرتمام اسلاید(wsi) استفاده می‌شود و پس از استخراج ویژگی‌ها، آنها را در ابعاد پایین‌تر فشرده می‌کند و فرآیند بازسازی تکه‌هایwsi112×112×3 انجام می‌شود. برای ارزیابی عملکرد، آموزش شبکه‌ها بر روی مجموعه داده‌هایپاتولوژیbachصورت گرفت. چارچوب معرفی‌شده در این مطالعه، نتایج حاصل از ادغام را گزارش می‌کند و به دقت کلی98 درصد دست یافت، دقت در مقایسه با روش‌هایcnn و u-net بهبود یافته است.