طبقه بندی داده های تومور با روش مبتنی بر شبکه عصبی

چکیده مقاله

تومورها انواع مختلفی دارند، مثلا می توانند بدخیم یا خوش خیم باشند هدف این است که تومورها را دسته بندی کنیم روش های مختلفی برای دسته بندی وجود دارد که می توان به NMF، ICA و اشاره کرد در این مقاله با استفاده از نمایش اسپارس به معرفی یک روش طبقه بندی قدرتمند و قوی برای طبقه بندی داده ها، می پردازم برخلاف روش های یادگیری باسرپرست که دو مرحله Test و Train دارند، این روش یک مرحله ای است در سال های اخیر استفاده از الگوریتم نمایش تنک 1 بسیار گسترش یافته است این الگوریتم در زمینه بازیابی تصاویر و فشرده سازی بسیار موفق بوده است آزمایشاتمان نشان می دهد که از این تکنیک برای طبقه بندی تومور، طبقه بندی تصاویر مثلا تشخیص چهره ، طبقه بندی بافت، ارقام و غیره استفاده می شود موفقیت روش اسپارس به این دلیل است که تصاویر با بعد بالا را توسط نمونه های همان کلاس با بعد کمتر نمایش می دهد در نمایش اسپارس مبتنی بر طبقه بندی، 2 مرحله کدگذاری و طبقه بندی وجود دارد ابتدا سیگنال یا تصویر مورد نظر بر روی دیکشنری با قیدهای تنک کدگذاری می شود و سپس طبقه بندی بر اساس ضرایب کد و دیکشنریاجرا می شود یعنی در این روش، یک نمونه آزمون بر اساس ترکیب خطی از نمونه های آموزش نوشته می شود و خطای بدست آمده برای هر کلاس نشان می دهد نمونه آزمون به کدام کلاس تعلق دارد در این مقاله هر نمونه آزمون را براساس ترکیب خطی Metasample ها که از نمونه های آموزش بدست آمدند، می نویسیم سپس یک تابع جداکننده ضریب Metasample بدست آمده را با رگولاسیون کمترین مربعات l1 جدا م یکند و بدین ترتیب طبقه بندی انجام می شود از آنجایی که کمینه سازی l1 norm منجر به جواب اسپارس می شود، روش پیشنهادی طبقه بند مبتنی بر روش اسپارس نامیده می شود