ترجمه فارسی مقاله تشخیص سرطان دهانه رحم با استفاده از مدل یادگیری عمیق چند شاخه ای

چکیده

Cervical cancer is a crucial global health concern for women, and the persistent infection of High-risk HPV mainly triggers this remains a global health challenge, with young women diagnosis rates soaring from 10\% to 40\% over three decades. While Pap smear screening is a prevalent diagnostic method, visual image analysis can be lengthy and often leads to mistakes. Early detection of the disease can contribute significantly to improving patient outcomes. In recent decades, many researchers have employed machine learning techniques that achieved promise in cervical cancer detection processes based on medical images. In recent years, many researchers have employed various deep-learning techniques to achieve high-performance accuracy in detecting cervical cancer but are still facing various challenges. This research proposes an innovative and novel approach to automate cervical cancer image classification using Multi-Head Self-Attention (MHSA) and convolutional neural networks (CNNs). The proposed method leverages the strengths of both MHSA mechanisms and CNN to effectively capture both local and global features within cervical images in two streams. MHSA facilitates the model’s ability to focus on relevant regions of interest, while CNN extracts hierarchical features that contribute to accurate classification. Finally, we combined the two stream features and fed them into the classification module to refine the feature and the classification. To evaluate the performance of the proposed approach, we used the SIPaKMeD dataset, which classifies cervical cells into five categories. Our model achieved a remarkable accuracy of 98.522\%. This performance has high recognition accuracy of medical image classification and holds promise for its applicability in other medical image recognition tasks.

چکیده به فارسی (ترجمه ماشینی)

سرطان دهانه رحم یک نگرانی مهم بهداشت جهانی برای زنان است و عفونت مداوم HPV پرخطر که عمدتاً باعث ایجاد این یک چالش بهداشت جهانی می شود ، با افزایش میزان تشخیص زنان جوان از 10 \ ٪ به 40 \ ٪ در طی سه دهه افزایش یافته است.در حالی که غربالگری پاپ اسمیر یک روش تشخیصی شایع است ، تجزیه و تحلیل تصویر بصری می تواند طولانی باشد و اغلب منجر به اشتباهات می شود.تشخیص زودرس این بیماری می تواند به طور قابل توجهی در بهبود نتایج بیمار نقش داشته باشد.در دهه های اخیر ، بسیاری از محققان از تکنیک های یادگیری ماشین استفاده کرده اند که در فرآیندهای تشخیص سرطان دهانه رحم بر اساس تصاویر پزشکی به نوید رسیده اند.در سالهای اخیر ، بسیاری از محققان از تکنیک های مختلف یادگیری عمیق برای دستیابی به دقت با کارایی بالا در تشخیص سرطان دهانه رحم استفاده کرده اند اما هنوز هم با چالش های مختلفی روبرو هستند.این تحقیق یک رویکرد نوآورانه و جدید برای اتوماسیون طبقه بندی تصویر سرطان دهانه رحم با استفاده از خودآزمایی چند سر (MHSA) و شبکه های عصبی حلقوی (CNN) ارائه می دهد.روش پیشنهادی از نقاط قوت مکانیسم MHSA و CNN استفاده می کند تا به طور مؤثر ویژگی های محلی و جهانی را در تصاویر گردن رحم در دو جریان ضبط کند.MHSA توانایی مدل را برای تمرکز روی مناطق مورد علاقه مورد نظر تسهیل می کند ، در حالی که CNN ویژگی های سلسله مراتبی را که به طبقه بندی دقیق کمک می کند ، استخراج می کند.سرانجام ، ما دو ویژگی جریان را با هم ترکیب کردیم و آنها را در ماژول طبقه بندی تغذیه کردیم تا ویژگی و طبقه بندی را اصلاح کنیم.برای ارزیابی عملکرد رویکرد پیشنهادی ، ما از مجموعه داده SIPAKMED استفاده کردیم که سلولهای گردن رحم را به پنج دسته طبقه بندی می کند.مدل ما به دقت قابل توجهی از 98.522 \ ٪ دست یافت.این عملکرد دارای دقت بالایی از طبقه بندی تصویر پزشکی است و نوید کاربرد آن در سایر کارهای تشخیص تصویر پزشکی را در اختیار دارد.