طبقه بندی خودکار تصاویر میکروسکوپی نمونه های مدفوع بر پایه ی تکنیک های یادگیری ماشین به منظور تشخیص موارد مبتلا به انگل ژیاردیا

مجریان: ناصر صمدزاده اقدم

خلاصه روش اجرا: هوش مصنوعی را می توان توانایی انجام کار هوشمندانه توسط ماشین دانست. ماشین ها همانند مغز انسان از روی داده های ورودی به عنوان داده های آموزش، عمل یادگیری را انجام داده و بر اساس این یادگیری، بررسی و تشخیص را سریع و با دقت بالایی انجام می دهد. شبکه های متفاوتی برای یادگیری تصاویر به کار گرفته می شوند و هر کدام نتایج متفاوتی را در پی خواهند داشت. داده های آموزش را تصاویر میکروسکوپی منحصر به فرد گرفته شده تشکیل می دهند. یکی از روش های بدست آوردن نتیجه ی بهتر در تشخیص، استفاده از تعداد داده های بیشتر به عنوان داده های آموزش است. برای این کار تصاویر منحصر به فرد گرفته شده را به تصاویر کوچکتر تجزیه کرده و آن ها را تحت زاویه های متفاوت به شبکه اعمال خواهیم کرد. تصاویر مورد بررسی توسط شبکه را تصاویر غیرمات و قابل بررسی تشکیل می دهند. تعداد نمونه های منحصربه فرد جمعیت هدف را 50 نمونه مثبت منحصر به فرد از بیماران مبتلا به ژیاردیازیس و 350 نمونه منحصر به فرد افراد سالم تشکیل می دهند که تعداد داده های گرفته شده از این داده های منحصر به فرد را پس از تجزیه سازی و پیش پردازش، در زیرمجموعه های داده های آموزش و داده های تست داده های ارزیابی تقسیم بندی خواهیم کرد. از تعداد کل داده های تفسیر و برچسب گذاری شده توسط کارشناسان علوم آزمایشگاهی 90 درصد را به عنوان داده های آموزش و 10 درصد باقیمانده را به عنوان داده های به شبکه اعمال می کنیم. نتایج حاصله را با داده های برچسب گذاری شده مقایسه کرده و بر اساس آن صحت و دقت شبکه را ارزیابی خواهیم کرد.