الفهرس 
Abstract
5.2 Analysis of our resultsOnly 14 pages are availabe for public view
 |  | from | 148 |  |  |
| | | from | 148 | | |
Abstract
يتطلب علم الأمراض الرقمي مجموعات كبيرة من الصور الرقمية المعنونة ليتمكن من الاستفادة من التعلم المتعمق. إن بناء مجموعات من الصور الرقمية بهذه المواصفات هو أمر صعب، وقد يساعد تضخيم البيانات على حل هذه المشكلة. قمنا باستكشاف التأثيرات الناتجة عن كل من عدم تطبيق تضخيم البيانات بالكلية، وتطبيقه على أجزاء مختلفة من مجموعة الصور الرقمية، وتطبيقه في نقاط زمنية مختلفة (قبل وأثناء وبعد تقسيم مجموعة الصور الرقمية إلى الأجزاء الثلاثة المطلوبة لإجراء التعلم المتعمق: التدريب والتحقق والاختبار).
قمنا بإنشاء مجموعة من الصور الرقمية من تسعين شريحة لأنسجة المثانة البولية المصبوغة بمادتي الهيماتوكسيلين والإيوسين. احتوت سبع وأربعون شريحة على سرطان الخلايا البولية، بينما احتوت الثلاث وأربعون شريحة المتبقية على التهاب المثانة البولية. تم التقاط صور فوتوغرافية غير متقاطعة لجميع الأنسجة بطريقة منهجية لتجميع الصور المطلوبة، ثم قام طبيب الباثولوجيا بتصنيف جميع الصور يدوياً إلى فئة من ثلاث: التهاب (5948 صورة) أو سرطان الخلايا البولية (5811 صورة) أو غير صالحة (3132 صورة تم استبعادها).
تم تعليم أربع شبكات عصبية التفافية سابقة التدريب لتستطيع تصنيف كل صورة من مجموعة الصور الرقمية المذكورة أعلاه، و شكلت هذه القدرة على التصنيف المعيار المشترك لجميع التجارب. تم استخدام التحقق المتبادل الطبقي ذو الخمس طيات لإجراء جميع التجارب. استخدم التقليب والدوران في حال تطبيق تضخيم البيانات، مما أدى إلى زيادة عدد الصور الرقمية إلى ثمانية أمثال.
تم الحصول على أفضل النتائج عن طريق تضخيم البيانات المتبقية بعد عزل مجموعة الاختبار ولكن قبل تقسيمها إلى مجموعتي التدريب والتحقق. أدت هذه الطريقة إلى تسريب معلومات بين مجموعتي التدريب والتحقق، ولكن بدون التسبب في تعطيل وظيفة مجموعة التحقق. على صعيد آخر، أدى تضخيم البيانات قبل عزل مجموعة الاختبار إلى نتائج متفائلة بشكل غير واقعي، بينما أدى تضخيم بيانات مجموعة الاختبار إلى نتائج أكثر دقة و بدرجة أعلى من الثقة في جميع التجارب الأخرى. و بشكلٍ عام، حقق الإصدار الثالث منشبكة ”إنسبشن” أفضل أداء مقارنة بالشبكات العصبية الأخرى.
.