دکتر محمد دوستی زاده نشریه علمی-تخصصی تحقیقات کاربردی در برق ، کامپیوتر و سیستم های انرژی 2 6 2024 09 18 Providing an IoT-based architecture for monitoring breast cancer activities using deep learning ارائه معماری مبتنی بر اینترنت اشیا جهت پایش فعالیت‌های بیماری با استفاده از یادگیری عمیق 21 39 10.22051/jera.2021.31891.2698 FA روزبه ندارم سمیه ندارند 2024 09 06 In today's world, breast cancer is one of the leading causes of death and one of the most dreaded diseases known, which is one of the potential causes of death in women. Although it is considered one of the most treatable diseases, it is important that with its timely diagnosis, the death rate can be reduced in the long term. As a solution for the prediction and treatment of this disease, the automatic disease diagnosis system in diagnosis and analysis is a great help to the medical field, which provides a quick response, reliability, effectiveness, and also reduces the risk of death. Therefore, in this article, the long short-term memory (LSTM) algorithm, which is a learning algorithm, was used, because it leads to more stable and more accurate models. The simulation results and comparison with other articles showed that the use of this algorithm has improved the accuracy and sensitivity in breast cancer diagnosis and we were able to determine whether the suspicious area is rough or not with the help of the LSTM algorithm. The evaluations show that the sensitivity of the proposed method is very favorable, especially in dealing with small nodules. The estimated positive error rate for the proposed method is 16.67%, which is less than other works. 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 یک الگوریتم یادگیری است استفاده شد، چراکه منجر به مدل‏هایی پایدارتر و با دقت بیشتر 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 تشخیص اینکه آیا منطقه مشکوک ناژول است یا خیر برسیم. ارزیابی‌ها نشان می‌دهد که حساسیت روش پیشنهادی به‌خصوص در برخورد با ناژول های کوچک بسیار مطلوب است. نرخ خطای مثبت برآورد شده برای روش پیشنهادی 16.67% است که نسبت به کارهای دیگر کمتر است /downloadfilepdf/827138