لیلا صفرپور - دانشجوی دکتری، دانشکده صنایع، دانشگاه خواجه نصیرطوسی
محمدجعفر تارخ - استاد، دانشکده صنایع، دانشگاه خواجه نصیرطوسی
شیما طبیبیان - استادیاردانشگاه، پژوهشکده فضای مجازی، دانشگاه شهیدبهشتی

طبق گزارش سازمان بهداشت جهانی ۱(WHO)، سرطان سینه، هرساله، ۱/۲ میلیون زن را تحت تاثیر قرار می دهد. تشخیص زودهنگام این بیماری می تواند خطر مرگ ناشی از سرطان سینه را کاهش دهد. علاوه بر این، از خدمات تحت وب می توان برای نظارت بر بیماران، افراد مسن، و افراد دارای معلولیت در روستاهای دورافتاده در بسیاری از کشورها استفاده کرد، در این مناطق، زنان مبتلا به سرطان سینه یا تشخیص داده نمی شوند، و یا دیر تشخیص داده می شوند. ایده این مطالعه بهبود تشخیص سریع و دقیق این بیماری بر اساس روش های یادگیری عمیق با استفاده از پیکسل های خام تصاویر ماموگرافی سینه می باشد. طبقه بندی تصاویر پزشکی هم برای وظایف بینایی کامپیوتر و هم برای مراقبت های بالینی بسیار مهم است. شبکه های عصبی عمیق ۲(DNN) و شبکه های عصبی پیچشی کوانتومی ۳(QCNN) تکنیک های در حال ظهور در یادگیری ماشین هستند که کارایی خود را برای کاربردهای طبقه بندی مختلف نشان داده اند. ایده ارائه شده این مقاله، طراحی یک سیستم تشخیص سرطان با استفاده از یک معماری مبتنی بر شبکه های عصبی پیچشی کوانتومی بر اساس مدل شبکه عصبی پیچشی ۴(CNN) و مدل از پیش آموزش دیده ۵(۱۰۱ResNet) برای تقویت طبقه بندی تصاویر ماموگرافی سینه جهت تشخیص توده سرطانی در مجموعه داده پزشکی ۶ CBIS-DDSM)) تحت وب است.

تشخیص توده های سرطانی، شبکه های عصبی پیچشی ، شبکه های عصبی پیچشی کوانتومی، ۱۰۱ResNet