فهرس المقالات Cancer

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - Mitosis detection in breast cancer histological images based on texture features using AdaBoost
  Sooshiant  Zakariapour حمید جزایری Mehdi Ezoji
  10.7508/jist.2017.18.003
  Counting mitotic figures present in tissue samples from a patient with cancer, plays a crucial role in assessing the patient’s survival chances. In clinical practice, mitotic cells are counted manually by pathologists in order to grade the proliferative activity of brea أکثر

  Counting mitotic figures present in tissue samples from a patient with cancer, plays a crucial role in assessing the patient’s survival chances. In clinical practice, mitotic cells are counted manually by pathologists in order to grade the proliferative activity of breast tumors. However, detecting mitoses under a microscope is a labourious, time-consuming task which can benefit from computer aided diagnosis. In this research we aim to detect mitotic cells present in breast cancer tissue, using only texture and pattern features. To classify cells into mitotic and non-mitotic classes, we use an AdaBoost classifier, an ensemble learning method which uses other (weak) classifiers to construct a strong classifier. 11 different classifiers were used separately as base learners, and their classification performance was recorded. The proposed ensemble classifier is tested on the standard MITOS-ATYPIA-14 dataset, where a pixel window around each cells center was extracted to be used as training data. It was observed that an AdaBoost that used Logistic Regression as its base learner achieved a F1 Score of 0.85 using only texture features as input which shows a significant performance improvement over status quo. It also observed that "Decision Trees" provides the best recall among base classifiers and "Random Forest" has the best Precision. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - Diagnosis of Gastric Cancer via Classification of the Tongue Images using Deep Convolutional Networks
  Elham Gholami Seyed Reza Kamel Tabbakh Maryam khairabadi
  10.52547/jist.9.35.191
  Gastric cancer is the second most common cancer worldwide, responsible for the death of many people in society. One of the issues regarding this disease is the absence of early and accurate detection. In the medical industry, gastric cancer is diagnosed by conducting nu أکثر

  Gastric cancer is the second most common cancer worldwide, responsible for the death of many people in society. One of the issues regarding this disease is the absence of early and accurate detection. In the medical industry, gastric cancer is diagnosed by conducting numerous tests and imagings, which are costly and time-consuming. Therefore, doctors are seeking a cost-effective and time-efficient alternative. One of the medical solutions is Chinese medicine and diagnosis by observing changes of the tongue. Detecting the disease using tongue appearance and color of various sections of the tongue is one of the key components of traditional Chinese medicine. In this study, a method is presented which can carry out the localization of tongue surface regardless of the different poses of people in images. In fact, if the localization of face components, especially the mouth, is done correctly, the components leading to the biggest distinction in the dataset can be used which is favorable in terms of time and space complexity. Also, since we have the best estimation, the best features can be extracted relative to those components and the best possible accuracy can be achieved in this situation. The extraction of appropriate features in this study is done using deep convolutional neural networks. Finally, we use the random forest algorithm to train the proposed model and evaluate the criteria. Experimental results show that the average classification accuracy has reached approximately 73.78 which demonstrates the superiority of the proposed method compared to other methods. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - استفاده از دسته‌بندی ترکیبی مبتنی بر جداسازی نمونه‌های متعارف و نامتعارف برای تشخیص سرطان پستان
  امین رضایی‌پناه حسام واقع بین
  سرطان پستان یکی از رایج‌ترین انواع سرطان‌ها در زنان می‌باشد و در سال‌های اخیر رشد قابل توجهی در تعداد افراد مبتلا به آن گزارش شده است. با گسترش روزافزون علم استفاده از داده‌کاوی در پزشکی به یکی از زمینه‌های پرکاربرد برای بهبود سیستم‌های درمانی تبدیل شده است. در این تحقی أکثر

  سرطان پستان یکی از رایج‌ترین انواع سرطان‌ها در زنان می‌باشد و در سال‌های اخیر رشد قابل توجهی در تعداد افراد مبتلا به آن گزارش شده است. با گسترش روزافزون علم استفاده از داده‌کاوی در پزشکی به یکی از زمینه‌های پرکاربرد برای بهبود سیستم‌های درمانی تبدیل شده است. در این تحقیق فرايند تشخيص بيماري سرطان پستان در دو مرحله انجام می‌شود. در مرحله اول از یک الگوریتم ژنتیک بهبودیافته برای تشخیص ویژگی‌های مؤثر در پیش‌بینی این بیماری استفاده شده و در مرحله دوم نمونه‌های متعارف و نامتعارف به ‌منظور افزایش دقت و ایجاد مدل دسته‌بندی نهایی شناسایی می‌شوند. برای کار دسته‌بندی مقایسه‌ای بین دو مدل درخت تصمیم و ماشین بردار پشتیبان انجام شده که نتایج، برتری مدل ماشین بردار پشتیبان را نشان می‌دهد. نتایج آزمایش‌های انجام‌شده دقت تشخیص سرطان پستان را روی مجموعه داده‌های WBCD، WDBC و WPBC به ترتیب 26/99%، 55/98% و 45/98% گزارش می‌دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - Breast Cancer Classification Approaches - A Comparative Analysis
  Mohan Kumar Sunil Kumar Khatri Masoud Mohammadian
  10.52547/jist.33395.11.41.1
  Cancer of the breast is a difficult disease to treat since it weakens the patient's immune system. Particular interest has lately been shown in the identification of particular immune signals for a variety of malignancies in this regard. In recent years, several methods أکثر

  Cancer of the breast is a difficult disease to treat since it weakens the patient's immune system. Particular interest has lately been shown in the identification of particular immune signals for a variety of malignancies in this regard. In recent years, several methods for predicting cancer based on proteomic datasets and peptides have been published. The cells turns into cancerous cells because of various reasons and get spread very quickly while detrimental to normal cells. In this regard, identifying specific immunity signs for a range of cancers has recently gained a lot of interest. Accurately categorizing and compartmentalizing the breast cancer subtype is a vital job. Computerized systems built on artificial intelligence can substantially save time and reduce inaccuracy. Several strategies for predicting cancer utilizing proteomic datasets and peptides have been reported in the literature in recent years.It is critical to classify and categorize breast cancer treatments correctly. It's possible to save time while simultaneously minimizing the likelihood of mistakes using machine learning and artificial intelligence approaches. Using the Wisconsin Breast Cancer Diagnostic dataset, this study evaluates the performance of various classification methods, including SVC, ETC, KNN, LR, and RF (random forest). Breast cancer can be detected and diagnosed using a variety of measurements of data (which are discussed in detail in the article) (WBCD). The goal is to determine how well each algorithm performs in terms of precision, recall, and accuracy. The variation of each classification threshold has been tested on various algorithms and SVM turned out to be very promising. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  5 - اثربخشی آموزش خودحمایتی بر مهارت‌‌های ارتباطی نوجوانان مبتلا به ریزش موی ناشی از شیمی‌درمانی/ رادیوتراپی
  نیلوفر نقاش افروز  افشاری بتول احدی
  پژوهش حاضر با هدف تعیین تأثیر آموزش خودحمایتی بر مهارت‌‌های ارتباطی نوجوانان مبتلا به سرطان با عارضه‌ ریزش مو انجام گرفت. روش پژوهش حاضر از نوع شبه آزمایشی تک آزمودنی همراه با پیش‌آزمون، پس‌آزمون و پیگیری دو هفته و یک‌ ماهه بود. جامعه آماری پژوهش را تمامی نوجوانان 15-12 أکثر

  پژوهش حاضر با هدف تعیین تأثیر آموزش خودحمایتی بر مهارت‌‌های ارتباطی نوجوانان مبتلا به سرطان با عارضه‌ ریزش مو انجام گرفت. روش پژوهش حاضر از نوع شبه آزمایشی تک آزمودنی همراه با پیش‌آزمون، پس‌آزمون و پیگیری دو هفته و یک‌ ماهه بود. جامعه آماری پژوهش را تمامی نوجوانان 15-12 سال مبتلا به ریزش موی ناشی از شیمی‌درمانی/ رادیوتراپی شهر تهران در سال 1400 تشکیل دادند و گروه نمونه شامل 4 نوجوان مبتلا به ریزش موی ناشی از شیمی‌درمانی/ رادیوتراپی بود که با روش نمونه‌گیری در دسترس و با در نظر گرفتن ملاک‌های ورود، انتخاب شدند. برنامه مداخله‌ آموزش خودحمایتی طی 5 جلسه اجرا شد و افراد نمونه در دو مرحله خط پایه A)) و مرحله آزمایشی B)) به پرسشنامه‌ مهارت‌‌های ارتباطی (عطارها، 1386) پاسخ دادند. برای تحلیل داده‌ها از نرم‌افزار SPSS استفاده شد و نتایج آزمون t نشان داد که آموزش خودحمایتی اثر ماندگاری بر ارتباط مؤثر و مؤلفه‌های آنها برای نوجوانان مبتلا به ریزش موی ناشی از شیمی‌درمانی/ رادیوتراپی دارد. از این ‌رو می‌توان نتیجه گرفت که آموزش خودحمایتی به دلیل آموزش خودآگاهی، مهارت‌‌های ارتباطی و رهبری می‌تواند منجر به ارتقای ارتباط مؤثر نوجوانان مبتلا به ریزش موی ناشی از شیمی‌درمانی/ رادیوتراپی شود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  6 - شناسایی ژن‌های عامل سرطان در شبکه ژنی با استفاده از معماری شبکه عصبی پیش‌خور
  مصطفی اخوان صفار عباسعلی  رضایی
  شناسایی ژن‌های آغازگر سرطان یا عامل سرطان یکی از موضوعات تحقیقاتی مهم در زمینه سرطان‌شناسی و زیست‌داده‌ورزی است. ژن‌های عامل سرطان، ژن‌هایی هستند که بعد از اینکه جهش در آنها اتفاق می‌افتد، آن جهش را از طریق برهم‌کنش‌های پروتئین- پروتئین به دیگر ژن‌ها منتقل کرده و از این أکثر

  شناسایی ژن‌های آغازگر سرطان یا عامل سرطان یکی از موضوعات تحقیقاتی مهم در زمینه سرطان‌شناسی و زیست‌داده‌ورزی است. ژن‌های عامل سرطان، ژن‌هایی هستند که بعد از اینکه جهش در آنها اتفاق می‌افتد، آن جهش را از طریق برهم‌کنش‌های پروتئین- پروتئین به دیگر ژن‌ها منتقل کرده و از این طریق، باعث اختلال در عملکرد سلول و بروز بیماری و سرطان می‌شوند. تا کنون روش‌های مختلفی برای پیش‌بینی و دسته‌بندی ژن‌های عامل سرطان پیشنهاد شده که اکثراً متکی به داده‌های ژنومی و ترنسکریپتومیک هستند و از این رو میانگین هارمونیک پایینی در نتایج دارند. تحقیقات در این زمینه به‌منظور بهبود دقت نتایج ادامه دارد و از این رو روش‌های مبتنی بر شبکه و زیست‌داده‌ورزی به کمک این حوزه آمده‌اند. در این مطالعه ما رویکردی را پیشنهاد داده‌ایم که متکی به داده‌های جهش نیست و از روش‌های شبکه‌ای برای استخراج ویژگی و از شبکه عصبی سه‌لایه پیش‌خور برای دسته‌بندی ژن‌ها استفاده می‌کند. برای این منظور، ابتدا شبکه زیستی مورد نظر که شبکه تنظیم رونویسی سرطان سینه است، تشکیل و سپس ویژگی‌های مختلف هر ژن به‌صورت بردارهایی استخراج گردید. نهایتاً بردارهای به‌دست‌آمده جهت دسته‌بندی به یک شبکه عصبی پیش‌خور داده شد. نتایج به‌دست‌آمده نشان می‌دهند که استفاده از روش‌های مبتنی بر شبکه‌های عصبی چندلایه می‌تواند صحت و میانگین هارمونیک را بهبود بخشد و باعث بهبود عملکرد نسبت به سایر روش‌های محاسباتی شود. تفاصيل المقالة