زهرا ابوفاضلی ذرس شبکه عصبی

1. ‫خدا‬‫نام‬ ‫ه‬

2. ‫مربوطه‬ ‫استاد‬:
‫المدرسی‬ ‫دکتر‬
Breast cancer
‫دهنده‬ ‫ارائه‬:
‫ابوفاضلی‬ ‫زهرا‬
‫آذر‬96

3. 3
‫سرطانی‬ ‫های‬‫سلول‬:
‫ید‬ ‫ر‬ ‫انسیان‬ ‫بیدن‬ ‫در‬ ‫ها‬‫سیلول‬ ‫طبیعیی‬ ‫بطور‬
‫تولیید‬ ‫برای‬ ‫ای‬‫ده‬ ‫کنترل‬ ‫روش‬ ‫به‬ ‫و‬ ‫کنند‬‫می‬
‫تمسیی‬ ‫سییمتی‬ ‫فظیس‬ ‫بیرای‬ ‫تری‬ ‫بی‬ ‫های‬‫سلول‬
‫وند‬ ‫می‬.‫بیدون‬ ‫غیرطبیعیی‬ ‫ها‬‫سلول‬ ‫که‬ ‫هنگامی‬
‫یر‬ ‫تیا‬ ‫بیدن‬ ‫بیر‬ ‫سیرطان‬ ‫وند‬ ‫تمسی‬ ‫کنترل‬
‫گذارد‬‫می‬.
‫زنان‬ ‫بین‬ ‫در‬ ‫سرطان‬ ‫ترین‬‫ایع‬
‫های‬‫موقعیت‬ ‫و‬ ‫نژادها‬ ‫در‬ ‫میر‬‫و‬‫مرگ‬ ‫و‬ ‫یوع‬
‫است‬ ‫متظاوت‬ ‫مختلف‬ ‫جغرافیایی‬.
‫سوزنی‬ ‫آسپیراسیون‬(FAN)‫خیص‬ ‫ت‬ ‫برای‬ ‫ی‬ ‫رو‬
‫د‬ ‫با‬‫می‬ ‫سرطان‬.

4. ‫ناسایی‬‫الگو‬:
‫ه‬ ‫یب‬ ‫ییب‬ ‫آمیوزش‬ ‫فرآینید‬ ‫از‬ ‫است‬ ‫عبارت‬
‫ه‬ ‫یب‬ ‫اهیداف‬ ‫به‬ ‫نسر‬ ‫را‬ ‫ها‬‫ورودی‬ ‫تا‬ ‫عصبی‬
‫نماید‬ ‫بندی‬‫طبمه‬ ‫درستی‬ ‫به‬.
•‫آموزش‬‫ه‬ ‫ب‬ ‫یب‬‫عصبی‬:
•1.‫سازی‬‫نرمال‬‫ها‬‫داده‬
•2.‫تنسی‬‫ها‬‫ورودی‬
•3.‫اهداف‬ ‫تعیین‬‫ه‬ ‫ب‬
•4.‫ایجاد‬‫عصبی‬ ‫ه‬ ‫ب‬ ‫یب‬
•5.‫ه‬ ‫ب‬ ‫آموزش‬
•6.‫عصبی‬ ‫ه‬ ‫ب‬ ‫تست‬

8. ‫ه‬ ‫ب‬ ‫های‬‫ورودی‬:
‫ماتریس‬ ‫یب‬9×699‫است‬
‫ماتریس‬ ‫یب‬2×699‫است‬.
1-‫خی‬‫خوش‬
2-‫بدخی‬
‫ه‬ ‫ب‬ ‫اهداف‬:

9. •‫ویژگی‬ ‫بردارهای‬:
•1-‫توده‬ ‫ضخامت‬:
•‫گیرفتن‬ ‫قیرار‬ ‫به‬ ‫تمایل‬ ‫خی‬‫خوش‬ ‫هاي‬‫سلول‬
‫سرطانی‬ ‫هاي‬‫سلول‬ ‫ولی‬ ‫دارند‬ ‫را‬ ‫الیه‬ ‫یب‬ ‫در‬
‫را‬ ‫الییه‬ ‫دنید‬ ‫در‬ ‫گیرفتن‬ ‫قیرار‬ ‫به‬ ‫تمایل‬
‫دارند‬.
•2-‫سلول‬ ‫اندازه‬ ‫نواختی‬ ‫ی‬:
•‫دارنید‬ ‫متظاوتی‬ ‫اندازه‬ ‫سرطانی‬ ‫هاي‬‫سلول‬
‫یه‬‫گونی‬‫این‬ ‫خی‬‫یوش‬‫خی‬ ‫هاي‬‫یلول‬‫سی‬ ‫یه‬‫کی‬‫فالی‬ ‫در‬
‫نیستند‬.
•3-‫سلول‬ ‫ل‬ ‫نواختی‬ ‫ی‬:
•‫دارنید‬ ‫متظیاوتی‬ ‫ل‬ ‫ی‬ ‫سیرطانی‬ ‫هاي‬‫سلول‬
‫کییه‬‫درفالی‬‫گونییه‬‫این‬ ‫خی‬‫خییوش‬ ‫هاي‬‫سییلول‬

10. •‫ویژگی‬ ‫بردارهای‬:
•4-‫ای‬‫یه‬ ‫فا‬ ‫دسبندگی‬:
•‫بیه‬ ‫کیه‬ ‫دارنید‬ ‫تماییل‬ ‫خی‬‫خیوش‬ ‫هاي‬‫سلول‬
‫سیرطانی‬ ‫هاي‬‫سلول‬ ‫ولی‬ ‫ند‬ ‫با‬ ‫متصل‬ ‫دیگر‬ ‫ی‬
‫دسیت‬ ‫از‬ ‫را‬ ‫اتصیال‬ ‫ایین‬ ‫که‬ ‫دارند‬ ‫تمایل‬
‫بدهند‬.
•5-‫اپیتلیال‬ ‫های‬‫سلول‬ ‫اندازه‬:
•‫تیوجیی‬ ‫قابل‬ ‫طور‬‫به‬ ‫که‬ ‫اپیتلیال‬ ‫هاي‬‫سلول‬
‫بیدخی‬ ‫سیلول‬ ‫ییب‬ ‫است‬ ‫ن‬ ‫مم‬ ‫ند‬ ‫با‬ ‫بزرگ‬
‫ند‬ ‫با‬.
•6-‫داخلی‬ ‫هسته‬(Bare nuclei:)
•‫اي‬‫واژه‬‫توسیط‬ ‫کیه‬ ‫هایی‬‫هسته‬ ‫براي‬ ‫که‬ ‫است‬
‫رود‬‫میی‬ ‫کار‬ ‫به‬ ‫اند‬‫ده‬ ‫ن‬ ‫افاطه‬ ‫سیتوپیس‬.

11. •‫ویژگی‬ ‫بردارهای‬:
•7-‫بافت‬ ‫ویژگی‬(Bland chromatin:)
•‫هسته‬ ‫خی‬‫خوش‬ ‫هاي‬‫سلول‬ ‫در‬(‫کروماتین‬)‫به‬
‫در‬ ‫ولیی‬ ‫اسیت‬ ‫نواخت‬ ‫ی‬ ‫و‬ ‫دست‬‫یب‬ ‫بافت‬ ‫ل‬
‫نیست‬ ‫دنین‬ ‫سرطانی‬ ‫سلول‬.
•8-‫عادی‬ ‫هسته‬(Normal nucleoli:)
•Normal nucleoli‫کیه‬ ‫هسیتند‬ ‫ی‬ ‫کود‬ ‫ساختارهاي‬
‫ییوند‬ ‫می‬ ‫دیییده‬ ‫ها‬‫سییلول‬ ‫هسییته‬ ‫در‬.‫در‬
‫کودیب‬ ‫خیلیی‬ ‫ها‬‫هسته‬ ‫این‬ ‫خی‬‫خوش‬ ‫هاي‬‫سلول‬
‫هستند‬(‫یند‬ ‫با‬ ‫دییدن‬ ‫قابل‬ ‫اگر‬)‫در‬ ‫ولیی‬
‫و‬ ‫بیزرگ‬ ‫ها‬‫هسیته‬ ‫ایین‬ ‫سیرطانی‬ ‫هاي‬‫سلول‬
‫هستند‬ ‫خص‬ ‫م‬.
•9-‫میتوز‬ ‫تمسی‬:
•‫دو‬ ‫ایجیاد‬ ‫و‬ ‫سیلول‬ ‫هسیته‬ ‫تمسیی‬ ‫میتوز‬
‫است‬ ‫دختر‬ ‫سلول‬.‫سرطان‬ ‫گرید‬ ‫ها‬‫پاتولوژیست‬

12. Soft MaxTan-Sigmoid

13. 13

14. ‫پنیان‬ ‫الیه‬ ‫نورون‬:
‫یب‬ ‫از‬ ‫پنیان‬ ‫الیه‬ ‫نورون‬ ‫تعداد‬ ‫اگر‬
‫ود‬ ‫تر‬ ‫بی‬ ‫فدی‬:
1-‫ما‬ ‫مفاسبات‬ ‫فج‬ ‫و‬ ‫ی‬ ‫آموز‬ ‫زمان‬
‫ود‬ ‫می‬ ‫زیاد‬.
2-‫باعث‬overfit‫وی‬ ‫می‬ ‫زودرس‬.
3-‫تر‬‫پیدیده‬ ‫مسائل‬ ‫فل‬ ‫برای‬ ‫قابلیت‬
‫یابد‬‫می‬ ‫افزایش‬.
‫یب‬ ‫از‬ ‫پنیان‬ ‫الیه‬ ‫نورون‬ ‫تعداد‬ ‫اگر‬
‫فدی‬‫کمتر‬‫ود‬:
‫آید‬‫می‬ ‫پایین‬ ‫ه‬ ‫ب‬ ‫رد‬ ‫عمل‬.

15. ‫ها‬‫داده‬ ‫تعداد‬:699
•70%‫‌های‬‫ه‬‫داد‬‫ی‬ ‫ش‬‫ز‬‫آمو‬:489
•15%‫‌های‬‫ه‬‫داد‬‫سنجی‬‫ر‬‫اعتبا‬:105
•15%‫‌های‬‫ه‬‫داد‬‫تست‬:105
‫ها‬‫داده‬‫بندی‬‫تقسیم‬:

19. :Plot Confusion

20. :Plot Confusion

21. 21
:Performance

22. :Training State

23. :Error Histogram

24. :ROC
‫درستی‬ ‫بت‬ ‫م‬ ‫درصد‬(‫فساسیت‬)‫درصد‬ ‫ممابل‬ ‫در‬
‫ود‬ ‫می‬ ‫رس‬ ‫نادرستی‬ ‫بت‬ ‫م‬.

25. [x,t] = cancer_dataset;
net = patternnet(10);
net = train(net,x,t);
view(net)
y = net(x);
plotconfusion(t,y)
‫عصبی‬ ‫ه‬ ‫ب‬ ‫یب‬ ‫طرافی‬:

26. • x = cancerInputs;
• t = cancerTargets;
• trainFcn = 'trainscg‘ % Scaled conjugate gradient
backpropagation
Levenberg-Marqardt
Baysian Regularization
• hiddenLayer Size = 10;
• net = patternnet(hiddenLayerSize);
• net.divideParam.trainRatio = 70/100;
• net.divideParam.valRatio = 15/100;
• net.divideParam.testRatio = 15/100;
Simple script:

27. • % Train the Network
• [net,tr] = train(net,x,t);
• % Test the Network
• y = net(x);
• e = gsubtract(t,y);
• performance = perform(net,t,y)
• % View the Network
• view(net)
Simple script:

28. • % Plots
• % Uncomment these lines to enable various plots.
• %figure, plotperform(tr)
• %figure, plottrainstate(tr)
• %figure, ploterrhist(e)
• %figure, plotconfusion(t,y)
• %figure, plotroc(t,y)
Simple script:

29. • % For a list of all processing functions type: help
nnprocess
• net.input.processFcns =
{'removeconstantrows','mapminmax'};
• net.output.processFcns =
{'removeconstantrows','mapminmax'};
• net.divideFcn = 'dividerand'; % Divide data randomly
• net.performFcn = 'crossentropy'
Advanced script:

30. • % Choose Plot Functions
• % For a list of all plot functions type: help nnplot
• net.plotFcns =
{'plotperform','plottrainstate','ploterrhist', ...
• 'plotconfusion', 'plotroc'};
Advanced script:

31. •‫ش‌مجدد‬‫ز‬‫آمو‬
•‫‌های‌الیه‌پنهان‬‫ن‬‫و‬‫ر‬‫ایش‌تعداد‌نو‬‫ز‬‫اف‬
•‫ی‬ ‫ش‬‫ز‬‫یتم‌آمو‬‫ر‬‫تعویض‌الگو‬
•‌‫‌ها‬‫ه‬‫ایش‌تعداد‌دا‬‫ز‬‫اف‬(‫ا‌در‌برگیرد‬‫ر‬‌‫ی‬‫محدوده‌وسیعی‌از‌جامعه‌آمار‬)
‫شبکه‬‫َعملگر‬‫از‬‫ضایتی‬‫ر‬‫نا‬:

32. 32