طبقه بندی دو دسته خوش خیم و بدخیم تومورهای سرطان سینه با استفاده از گرادیان نزولی انطباقی در تصاویر پزشکی

در این مقاله به بررسی و ارزیابی عملکرد قانون های به روزرسانی وزن الگوریتم شبکه عصبی مصنوعی با استفاده از گرادیان نزولی در طبقه بندی تومور به عنوان خوش خیم و بدخیم در تصویربرداری سونوگرافی پرداخته می شود تصاویر با استفاده از فیلترهای موجک برای کاهش نویز لکه ها آماده سازی می شوند تعدادی ویژگی از تصاویر سونوگرافی انتخاب شده و برای طبقه بندی تومورهای سینه استخراج می گردد همچنین منطقه تحت دریافت منحنی عملیاتی (AUC)، حساسیت، همگرایی، دقت طبقه بندی و زمان CPU به عنوان معیارهای عملکرد در این طبقه بندی در نظر گرفته شده است نتایج نشان می دهند که گرادیان نزولی انطباقی در شبکه های بازگشتی بر اساس نرخ یادگیری متغیر نسبت به سایر تکنیک ها از جمله گرادیان نزولی ثابت یا الگوریتم گرادیان نزولی با مومنتوم، از دقت بالاتری در طبقه بندی برخوردار است.