دانلودمقاله باموضوع ارزیابی تصاویر بافت شناسی کلیه استفاده از یادگیری عمیق بدون نظارت
در قالب pdf و در 10 اسلاید،قابل ویرایش، شامل:
موضوع به انگلیسی:Evaluation of Kidney Histological Images
Using Unsupervised Deep Learning
بخشی از متن:ارزیابی هیستوپاتولوژی از طریق یادگیری ماشینی توجه تحقیقاتی و بالینی را به خود جلب کرده است.
و انجام وظایف یادگیری تحت نظارت در حوزه های مختلف پزشکی شرح داده شده است. نظارت نشده
یادگیری تصاویر بافت شناسی دارای مزیت تکرارپذیری برای برچسب زدن است. با این حال
رابطه بین ارزیابی بدون نظارت و اطلاعات بالینی در نفرولوژی نامشخص است.
روش‌ها: ما یک رویکرد بدون نظارت را پیشنهاد می‌کنیم که شبکه‌های عصبی کانولوشنال (CNN) و یک
الگوریتم تجسم برای خوشه بندی تصاویر بافت شناسی و محاسبه امتیاز برای بیماران. درخواست دادیم
رویکرد به کل تصاویر یا تصاویر وصله شده گلومرول نمونه های بیوپسی کلیه رنگ آمیزی شده
با هماتوکسیلین و ائوزین به دست آمده از 68 بیمار مبتلا به نفروپاتی ایمونوگلوبولین A. ارزیابی کردیم
ارتباط بین نمرات به دست آمده و متغیرهای بالینی خون مخفی ادرار، پروتئین ادرار،
کراتینین سرم (SCr)، فشار خون سیستولیک و سن.
یافته‌ها: گلومرول‌های بیماران به 12 کلاس مجزا و 10 تکه طبقه‌بندی شدند. خروجی از
CNN دقیق تنظیم شده، که ما آن را به عنوان نمرات بافت شناسی تعریف کردیم، روابط معنی داری با آن داشت
متغیرهای بالینی را ارزیابی کرد. علاوه بر این، نتایج خوشه‌بندی و تجسم نشان می‌دهد که تعریف شده است
خوشه ها در هنگام ارزیابی هیستوپاتولوژی کلیه، یافته های مهمی را به دست آوردند. برای امتیاز Patchbased
خوشه
