موسسه آموزش عالی آپادانا نشریه مطالعات مهندسی کامپیوتر آپادانا - A Review of an Advanced Deep Learning-Based Decision Support System for Kidney Tumor Detection مروری بر سیستم پشتیبانی تصمیم‌گیری مبتنی بر یادگیری عمیق پیشرفته برای تشخیص تومور کلیه 10.22051/jera.2021.31891.2698 FA طاها دانشجوی ارشد نرم افزار موسسه آموزش عالی آپادانا کیمیا استادیار، گروه کامپیوتر، موسسه آموزش عالی آپادانا زهرا مربی، گروه کامپیوتر، موسسه آموزش عالی آپادانا This study presents a high-accuracy deep learning-based decision support system for kidney cancer detection. The research utilized a relatively large dataset of 10,000 CT scan images, comprising scans of both healthy kidneys and those with tumors. After data preprocessing and optimization, various deep learning models were evaluated, and DenseNet-201 was identified as the best-performing model with an accuracy of 99.75%. The study compares different deep learning architectures, including AlexNet, EfficientNet, DarkNet-53, Xception, and DenseNet-201, across varying learning rates. Performance metrics such as accuracy, precision, sensitivity, F1 score, and specificity were analyzed using confusion matrices. The proposed system demonstrated superior performance compared to other deep learning networks, providing exceptional accuracy in kidney cancer detection. This improvement is attributed to effective data engineering and hyperparameter optimization of deep learning networks. The research contributes to the field of medical image analysis by offering a robust decision support tool for rapid and early detection of kidney cancer. The high accuracy and efficiency of the proposed system make it a promising tool to assist healthcare professionals in clinical environments. این مطالعه یک سیستم پشتیبان تصمیم‌گیری مبتنی بر یادگیری عمیق با دقت بالا برای تشخیص سرطان کلیه ارائه می‌دهد. در این تحقیق از یک مجموعه‌داده نسبتاً بزرگ شامل ۱۰,۰۰۰ تصویر سی‌تی اسکن استفاده شده است که شامل اسکن‌های کلیه سالم و دارای تومور است. پس از پیش‌پردازش داده‌ها و بهینه‌سازی، مدل‌های مختلف یادگیری عمیق ارزیابی شدند و مدل DenseNet-201 به عنوان بهترین عملکرد با دقت 99/75٪ شناسایی شد. این مطالعه معماری‌های مختلف یادگیری عمیق از جمله AlexNet، EfficientNet، DarkNet-53، Xception و DenseNet-201 را در نرخ‌های یادگیری متفاوت مقایسه می‌کند. معیارهای عملکرد مانند دقت، صحت، حساسیت، امتیاز F1 و ویژگی با استفاده از ماتریس‌های اغتشاش تحلیل شدند. سیستم پیشنهادی عملکرد بهتری نسبت به شبکه‌های یادگیری عمیق دیگر نشان داده و دقت برتری در تشخیص سرطان کلیه ارائه می‌دهد. این بهبود به مهندسی موثر داده‌ها و بهینه‌سازی ابرپارامترهای شبکه‌های یادگیری عمیق نسبت داده می‌شود. این تحقیق با ارائه یک ابزار پشتیبان تصمیم‌گیری قوی برای تشخیص سریع و اولیه سرطان کلیه به حوزه تحلیل تصاویر پزشکی کمک می‌کند. دقت و کارایی بالای سیستم پیشنهادی آن را به ابزاری امیدوارکننده برای کمک به متخصصان حوزه سلامت در محیط‌های بالینی تبدیل می‌کند. /downloadfilepdf/311905