بخش بندی تصاویر پزشکی(سرطان پوست) با استفاده از یک مدل یادگیری عمیق ترکیبی میتنی بر CNN و PSO
بخش بندی(Segmentation)
مساله بخش بندی در یادگیری ماشین یک مساله مهم و کاربردی است که معمولا به عنوان پیش پردازش از آن استفاده می گردد. بخش بندی کاردهای متفاوت و زیادی در دنیای واقعی دارد که یکی از مهم ترین آن ها تشخیص و جدا کردن بخش خاصی از تصویر پزشکی بصورت اتوماتیک است و این عمل در تشخیص توده و سرطان برای پزشکان یک امر بسیار مهم می باشد.
جدا و مشخص کردن منطقه خاصی از تصوریر پزشکی مانند MRI مغز، سیتی اسکن ریه ها و … که مورد آسیب دیده بسیار مشکل و زمانبر است و نیاز افراد متخصص دارد. بنابراین تشخیص خودکار ناحیه دارای توده و آسیب دیده توسط یک مدل، می تواند کمک فراوانی را در زمان و دقت تشخیص مریضی به پزشکان بکند. به عنوان مثال، امروزه تشخیص مناطق عفونی ویروس کوید ۱۹(COVID19) یک چالش مهم است که با کمک ظراحی وآموزش یک مدل یادگیری ماشین مناسب می توان در زمان و دقت فرایند تشخیص بیماری تاثیر مثبت و به سزایی به جا گذاشت.
خوشه بندی و بخش بندی
حوشه بندی(Clustering)، رابطه نزدیکی با مساله بخش بندی(Segmentation) دارد و از این جهت می توان برای حل آن، از روش های موجود برای خوشه بندی استفاده نمود. در این پروژه ار چند الگوریتم فراابتکاری بنام های PSO، CS، HMS و روش های خوشه بندی معمول مانند FCM و KMeans به همراه یک مدل یادگیری عمیق مبتنی بر CNN به منظور بخش بندی تصاویر پزشکی و تشخیص ضایعه پوستی استفاده شده است.
مقالات پایه و مهم که کد متلب این پروژه براساس آنها پیاده سازی شده است در ادامه عنوان شده است:
Evolving Ensemble Models for Image
Segmentation Using Enhanced Particle Swarm
Optimization
و
Human mental search: a new population-based
metaheuristic optimization algorithm
کد متلب پروژه مربوطه را می توانید به همراه سایر منابع مهم و مرتبط از طریق لینک زیر دانلود نمایید.
FCM-PSO CNN for Segmentation
قیمت: ۹۵۰۰۰۰ تومان
همچنین، جزئیات و توضیحات کد را می توانید بصورت فیلم از لینک زیر مشاهده کنید.
در صورت داشتن هر گونه سوال در مورد پروژه ها می توانید از طریق تماس با ما، با ما ارتباط حاصل نمایید.