دسترسی همگانی(OPAC) نام کتابخانه در اوپک

تشخیص و کنترل سرطان ملانوما با استفاده از روش‌های هوشمند و مدل‌سازی آن (1397) / کلهر ، الناز، نویسنده
نوع مدرک:متون چاپی
سرشناسهکلهر ، الناز، نویسنده
عنوان :تشخیص و کنترل سرطان ملانوما با استفاده از روش‌های هوشمند و مدل‌سازی آن
تکرار نام مولف :الناز کلهر
سال نشر :1397
صفحه شمار:144ص
یادداشتچکیده
سرطان ملانوما یکی از شایع‌ترین انواع سرطان پوست می‌باشد که تشخیص دقیق، سریع و درمان به‌موقع آن امری بسیار مهم می‌باشد. به همین دلیل در دو دهه گذشته تشخیص و درمان این نوع سرطان با استفاه از روش‌های هوشمند در کنار کار پزشکان بسیار مورد توجه قرار گرفته است.
در این پایان نامه برای تشخیص سرطان ملانوما به پیاده‌سازی چند روش هوشمند پرداخته شده است. این روش‌ها شامل شبکه عصبی پیش‌رو، RBFN، GRNN، SVM، KNN ، الگوریتم بیز و شبکه یادگیری عمیق (CNN) می‌باشند. مجموعه داده انتخاب شده شامل 515 عکس از ضایعه مربوط به بیماران مبتلا به ملانوما و افراد سالم می‌باشد (مجموعه داده انتخاب شده شامل 515 عکس ملانوما و خال گوشتی می‌باشد). تمامی این تصاویر از سایت (ISIC) گرفته شده‌اند. ابتدا مطابق با کار مقالات پیشین، پیش‌پردازش هایی بر روی تصاویر انجام گرفته است و سپس توسط ماتریس GLCM، شش ویژگی از تصویر استخراج شده است. ویژگی‌های استخراج شده به عنوان ورودی برای هر یک از روش‌های ذکر شده به جز CNN که ورودی آن تصویر می‌باشد، در نظر گرفته شده‌اند. در انتها نشان داده شده است که الگوریتم بیز نسبت به سایر روش‌ها با دقت بالاتر و حدود 99% توانسته است ضایعه سرطانی و غیر سرطانی را از یکدیگر تفکیک کند.
برای کنترل سرطان ملانوما نیز، برای اینکه رفتار مدل‌های مختلف مورد بررسی قرار بگیرد، ابتدا با استفاده از الگوریتم ژنتیک کنترل سلول‌های سرطانی بر روی مدل ارایه شده توسط کاستیکلیون و پیکلی انجام گرفته است. این روش با روش تزریق دوز داروی ثابت مقایسه شده است. در نهایت نشان داده شده است که هر دو روش توانسته‌اند سلول‌های سرطانی را کنترل کنند، اما دوز داروی تزریقی توسط روش الگوریتم ژنتیک در کل مدت درمان بسیار کمتر بوده است که این امر کاهش اثرات زیان‌بار دارو را به همراه خواهد داشت. در مرحله بعد، کنترل سلول‌های سرطانی توسط همین مدل با استفاده از روش یادگیری Q که یکی از روش‌های حل مسئله یادگیری تقویتی می‌باشد، انجام گرفته است. در این مرحله نیز روش یادگیری تقویتی با روش کنترل بهینه که یکی از روش‌های کنترل کلاسیک می‌باشد، و همچنین روش تزریق دوز داروی ثابت مقایسه شده است. در انتها نیز برای نشان دادن یکی از مزایای روش یادگیری تقویتی که تطبیق‌پذیری آن با محیط می‌باشد، با اعمال نویز به سیستم و عدم قطعیت در پارامترهای سیستم و شرایط اولیه، کنترل سلول‌های سرطانی در دیگر بیماران مبتلا به سرطان ملانوما انجام گرفته است. در گام بعدی، از مدل ریاضی ارایه شده توسط مرزیون پنیسی استفاده شده است و کنترل سلول‌های سرطانی در بیمار مبتلا به سرطان ملانوما توسط روش مسیرهای شایستگی انجام گرفته است. لازم به ذکر می‌باشد که بر روی این مدل هیچ نوع روش کنترلی پیاده‌سازی نشده است و این اولین باری می‌باشد که کنترل جمعیت سلول‌های سرطانی توسط این مدل انجام گرفته است. در این مرحله نیز روش ذکر شده با روش تزریق دوز داروی ثابت مقایسه شده است. همچنین اعمال نویز به سیستم و عدم قطعیت در پارامترهای سیستم و شرایط اولیه نیز انجام شده است.
ایجاد مدل ریاضی از رشد و تکثیر سلولی به شبیه‌سازی دقیق از رفتار سیستم دفاعی برای مقابله با سلول‌های سرطانی، کمک می‌کند. همچنین بدست آمدن یک الگوی مناسب برای تزریق دوز دارو و کاهش اثرات زیان‌بار آن را ممکن می‌شود. در این پایان‌نامه به مدل‌سازی رفتار سیستم دفاعی بدن برای یک بیمار مبتلا به سرطان ملانوما پرداخته شده است. در این مدل از 9 پارامتر تاثیرگذار در عملکرد سیستم دفاعی در مقابله با سلول‌های سرطانی استفاده شده است. مزیت اصلی این مدل در مقایسه با دیگر مدل‌هایی که برای بیمار مبتلا به سرطان ملانوما وجود دارد، می‌توان به در نظر گرفتن تعداد متغیرهای بیشتر برای بیان دینامیک بدن بیمار مبتلا به سرطان ملانوما اشاره کرد که این امر باعث نزدیکی هر چه بیشتر مدل بیان شده به بیمار واقعی خواهد شد. برای تخمین ضرایب مدل ریاضی ذکر شده از یکی از روش‌های بهینه‌سازی چند هدفه به نام روش "الگوریتم ژنتیک چند هدفه با مرتب سازی نامغلوب" استفاده شده است. از مزایای این روش‌ها می‌توان به در نظر گرفتن چند تابع هدف و محدود کردن هم‌زمان آن‌ها اشاره کرد. نتایج حاصل از شبیه‌سازی نشان داده است که مدل ریاضی طراحی شده، کاملا رفتار سیستم دفاعی بدن بیمار مبتلا به سرطان ملانوما را شبیه‌سازی می‌کند. برای آنالیز حساسیت و تعیین میزان همبستگی خروجی مدل ریاضی به تغییرات برخی پارامترها از روش "ضریب همبستگی درجه جزئی"با نام اختصاریPRCC استفاده شده است.
کلیدواژه‌ها: سرطان ملانوما، تشخیص سرطان، ماتریسGLCM، کنترل سرطان، الگوریتم ژنتیک، یادگیری تقویتی، یادگیری Q، مسیرهای شایستکی، استدلال مبتنی بر مورد(CBR)، دوز بهینه دارو، مدل‌سازی، آنالیز حساسیت
شناسه افزوده :نوری ، امین، استاد راهنما
توکل افشاری ، جلیل، استاد راهنما
لینک ثابت رکورد:../opac/index.php?lvl=record_display&id=25350
زبان مدرک :فارسی

 فهرست موجودی مدرک

شماره ثبتشماره بازیابینام عام موادمحل نگهداریبخشوضعیت ثبتوضعیت امانت
553پ553پ پایان‌نامهکتابخانه سجادبرقاسناد مرجعغیر قابل امانت

 نظرهای کاربران درباره این مدرک

تعداد نظرات کاربران :0 . برای افزودن نظر خود کلیک نمایید.

کاربران آنلاین :0