ثبت نام در مجله
ورود به پنل کاربری
مهلت ارسال مقالات

آخرین مهلت ارسال مقالات برای دوره ۲ -شماره ۷ -پاییز ۱۴۰۳:

(۳۰ آذر ماه ۱۴۰۳)

 
بانک ها و نمایه ها

civilica

tpbin

magiran

56454

jref-fa

Irindexing

Untitled

 

 

قوانین

قانون بین المللی کپی رایت

 این نشریه تحت قانون بین المللی کپی رایت BY: Creative Commons  می‌باشد.

قوانین کمیتۀ اخلاق در انتشار

این نشریه تابع قوانین کمیتۀ اخلاق در انتشار (COPE) است و از آیین نامه اجرایی قانون پیشگیری و مقابله با تقلب در آثار علمی پیروی می نماید.

open access
دسترسی آزاد به مقالات نشریه
 
DOAJ
 
ارائه معماری مبتنی بر اینترنت اشیا جهت پایش فعالیت‌های بیماری با استفاده از یادگیری عمیق
دوره 2، شماره 6، 1403، صفحات 21 - 39
نویسندگان : روزبه لطیفی عزیزی* 1 ، سمیه جعفر علی جاسبی 2

1 ندارم

2 ندارند

چکیده :
در دنیای امروزی، سرطان سینه یکی از دلایل مرگ‌ومیر و از وحشتناک‌ترین بیماری‌ها شناخته‌شده است، که یکی از علل بالقوه مرگ در زنان است. بااینکه یکی از قابل‌درمان‌ترین بیماری‌ها محسوب می‌شود اما مهم این است که با تشخیص به هنگام آن می‏توان میزان مرگ‌ومیر در طولانی‌مدت را کاهش داد. به‌عنوان راه‌حلی برای پیش‏بینی و درمان این بیماری، سیستم تشخیص خودکار بیماری در تشخیص و تجزیه‌وتحلیل به حوزه پزشکی کمک شایانی می‌کند که پاسخ سریع، قابلیت اطمینان، اثربخشی و همچنین کاهش خطر مرگ را ارائه می‌دهد. لذا در این مقاله از الگوریتم حافظه کوتاه‌مدت طولانی (LSTM) که يک الگوريتم يادگيری است استفاده شد، چراکه منجر به مدل‏هايی پايدارتر و با دقت بيشتر می‌شود. نتایج شبیه سازی و مقایسه با دیگر مقالات نشان داد که استفاده از این الگوریتم موجب بهبود دقت و حساسیت در تشخیص سرطان سینه شده و توانستیم با کمک الگوریتم LSTM به تشخيص اينكه آيا منطقه مشكوك ناژول است يا خير برسیم. ارزیابی‌ها نشان می‌دهد كه حساسيت روش پيشنهادي به‌خصوص در برخورد با ناژول هاي كوچك بسيار مطلوب است. نرخ خطاي مثبت برآورد شده براي روش پيشنهادي 16.67% است كه نسبت به كارهاي ديگر كمتر است
کلمات کلیدی :
سرطان سینه-الگوریتم LSTM-یادگیری ماشین-تشخیص- پیش‌بینی-دقت