జర్నల్ ఆఫ్ స్టెమ్ సెల్ రీసెర్చ్ & థెరపీ

నైరూప్య

రొమ్ము అల్ట్రాసౌండ్ చిత్రాల నుండి నిరపాయమైన మరియు ప్రాణాంతక కణితుల యొక్క కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్ ఆధారిత వర్గీకరణ

తెలగరపు ప్రభాకర్

రొమ్ము క్యాన్సర్‌ని నిర్ధారించడానికి విస్తృతంగా ఉపయోగించే పద్ధతి రొమ్ము అల్ట్రాసౌండ్ (BUS) ఇమేజింగ్, అయితే
రేడియాలజిస్ట్ అనుభవం ఆధారంగా వ్యాఖ్యానం మారుతూ ఉంటుంది. ఇప్పుడు
BUS ఇమేజ్ వర్గీకరణకు సంబంధించిన సమాచారాన్ని అందించడానికి CAD సిస్టమ్‌లు అందుబాటులో ఉన్నాయి. అయినప్పటికీ, చాలా CAD వ్యవస్థలు చేతితో తయారు చేసిన లక్షణాలపై ఆధారపడి ఉన్నాయి.
కణితులను వర్గీకరించడానికి ఇవి రూపొందించబడ్డాయి. అందువల్ల, ఈ లక్షణాల సామర్థ్యం CAD సిస్టమ్ ఖచ్చితత్వాన్ని నిర్ణయిస్తుంది
, ఇది కణితులను నిరపాయమైన మరియు ప్రాణాంతకమైనదిగా వర్గీకరించడానికి ఉపయోగించబడుతుంది. కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్ (CNN) సాంకేతికతను ఉపయోగించడంతో
, మేము BUS చిత్రాల వర్గీకరణను మెరుగుపరచగలము. ఎందుకంటే ఇది వర్గీకరణ మరియు సాధారణీకరించదగిన చిత్ర ప్రాతినిధ్యాల కోసం కొత్త విధానాన్ని అందిస్తుంది
, తద్వారా మేము ఫలితంగా ఉత్తమ ఖచ్చితత్వాన్ని పొందవచ్చు. కానీ, BUS చిత్రం యొక్క డేటాబేస్
చిన్న సైజును కలిగి ఉంది కాబట్టి CNNలు మొదటి నుండి శిక్షణ పొందలేనందున ఇది పరిమితం చేయబడవచ్చు. ఈ లోపాన్ని అధిగమించడానికి , మేము BUS ఇమేజ్ వర్గీకరణకు సంబంధించి
ఉత్తమ ఖచ్చితత్వాన్ని సాధించడానికి CNN విధానాన్ని ప్రారంభించడం కోసం వినియోగ బదిలీ అభ్యాస విధానాన్ని పరిశీలిస్తాము .
VGG16_TL మెథడాలజీ యొక్క తుది ఫలితాలు AlexNet_TLని ఓడించాయి. మరియు తుది
ఫలితాలు వరుసగా 88.23%, 88.89%, 88.89, 90% మరియు 88.2% యొక్క ఖచ్చితత్వం, సున్నితత్వం, నిర్దిష్టత, ఖచ్చితత్వం మరియు F1 విలువలతో VGG16_TLని సూచిస్తాయి
. అందువల్ల,
BUS ఇమేజ్ వర్గీకరణలో ముందస్తు శిక్షణ పొందిన CNN మోడల్‌ల అవకాశం మంచి ఖచ్చితత్వాన్ని సాధిస్తుందని మేము చెప్పగలం .