موسسه آموزش عالی آپادانا فصلنامه پیشرفت های مهندسی در حوزه پزشکی و مواد - 1 1 2025 06 11 Enhancing Cervical Cancer Diagnosis Accuracy Using Biomaterial-Based Methods, Transfer Learning, and Convolutional Neural Networks in Pap Smear Image Analysis بهبود دقت تشخیص سرطان دهانه‌‌ی رحم با به‌کارگیری روش‌های بیومتریال، یادگیری انتقالی و شبکه‌های عصبی پیچشی در تحلیل تصاویر پاپ‌اسمیر 72 83 10.22051/jera.2021.31891.2698 FA محمدجواد استادیار، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد استهبان، استهبان، ایران. 2025 04 15 Cervical cancer is one of the most common types of cancer among women and poses a serious health threat due to its strong association with the human papillomavirus (HPV). In its early stages, this disease is often asymptomatic and can progress to more advanced and life-threatening stages. The aim of this study is to improve the accuracy and speed of cervical cancer diagnosis through the analysis of Pap smear images using machine learning techniques and advanced biomaterial-based technologies. In this research, contrast-enhancing nanoparticles were employed to improve the contrast and quality of Pap smear images. The enhanced images were then analyzed using Convolutional Neural Networks (CNN) combined with three classification algorithms: K-Nearest Neighbors (KNN), Decision Tree (DT), and Support Vector Machine (SVM). The Herlev dataset was used to evaluate the proposed model, and its performance was assessed based on accuracy, precision, recall, and F-measure. The results demonstrated that the proposed method achieved an accuracy of 98.75%, a precision of 97.50%, a recall of 96.25%, and an F-measure of 96.87%. These findings highlight the high capability of the model in detecting abnormal cells associated with cervical cancer. Overall, the integration of nanotechnology with machine learning techniques shows great promise in enhancing diagnostic processes, improving screening accuracy, and reducing the burden on healthcare systems. سرطان دهانه‌‌ی رحم، یکی از شایع‌ترین انواع سرطان در میان زنان است که به دلیل ارتباط آن با ویروس پاپیلومای انسانی (HPV)، تهدیدی جدی برای سلامت محسوب می‌شود. این بیماری در مراحل اولیه، معمولاً بدون علائم است و می‌تواند به مراحل پیشرفته و خطرناک برسد. هدف این پژوهش، افزایش دقت و سرعت تشخیص سرطان دهانه‌‌ی رحم از طریق تحلیل تصاویر پاپ‌اسمیر با بهره‌گیری از روش‌های یادگیری ماشین و فناوری‌های نوین بیومتریال است. در این مطالعه، به‌منظور افزایش کنتراست و بهبود کیفیت تصاویر پاپ‌اسمیر، از نانوذرات کنتراست‌زا استفاده شده است. سپس تصاویر اصلاح‌شده، با استفاده از شبکه‌های عصبی پیچشی (CNN) و سه الگوریتم طبقه‌بندی، شامل K نزدیک‌ترین همسایه (KNN)، درخت تصمیم (DT) و ماشین بردار پشتیبان (SVM) مورد تحلیل قرار گرفتند. مجموعه‌داده‌‌ی Herlev برای ارزیابی مدل پیشنهادی به کار گرفته شد و عملکرد مدل بر اساس معیارهای دقت، صحت، فراخوان و معیار F مورد بررسی قرار گرفت. نتایج، نشان داد که روش پیشنهادی، به ترتیب دقت 75/98%، صحت 50/97%، فراخوان 25/96% و معیار F برابر با 87/96% را به دست آورده است. این یافته‌ها، بیانگر توانمندی بالای مدل در شناسایی سلول‌های غیرطبیعی مرتبط با سرطان دهانه‌‌ی رحم هستند. درمجموع، تلفیق فناوری نانو با روش‌های یادگیری ماشین، می‌تواند به بهبود فرآیندهای تشخیص، ارتقای دقت غربالگری و کاهش فشار بر سیستم‌های بهداشتی کمک کند. /downloadfilepdf/22640