تشخیص توده های نرمال و غیر نرمال در تصاویر ماموگرافی توسط شبکه عصبی کانولوشنی عمیق (DCNN)

یکی از مهمترین و موثرترین راه های تشخیص سرطان سینه، بخصوص در مراحل اولیه بیماری، انجام ماموگرافی است. تصاویر ماموگرافی به علت پیچیدگی بافت های سینه، شباهت بین توده های سرطانی و بافت های طبیعی آن، اندازه و شکل متفاوت توده ها و تابش اشعه ایکس، معمولا از کیفیت پایینی برخوردار هستند. از این رو تشخیص ضایعات به خصوص در مراحل اولیه، کار بسیار دشواری است؛ زیرا برخی از ضایعات جرم در بافت های طبیعی جاسازی شده و حاشیه های ضعیف یا حاشیه های مبهم دارند. روش پیشنهادی در این مطالعه ارائه ی یک معماری مبتنی بر شبکه عصبی کانولوشنی عمیق برای تشخیص توده های سرطانی در تصاویر ماموگرافی می باشد که در نهایت به طبقه بندی توده ها به کلاس های نرمال و غیر نرمال منجر می گردد. آموزش شبکه ی پیشنهادی با اصلاح تصاویر در مرحله پیش پردازش آغاز می شود تا ترسیم دقیق تر با وضوح بالاتر بر روی تصاویر انجام شود و در نهایت دقت و حساسیت جداسازی توده از بافت سینه برای تشخیص صحیح بهبود یابد. برای پیاده سازی روش پیشنهادی از زبان برنامه نویسی پایتون و کتابخانه تنسورفلو در محیط ویندوز استفاده شده است. برای اطمینان از عملکرد روش پیشنهادی روش اعتبارسنجی متقابل استفاده شده و نتایج بدست آمده توسط معیارهای دقت، صحت و حساسیت مورد ارزیابی قرار گرفته است. نتایج بدست آمده با دقت ۹۷.۶۷ % بیانگر بهبود دقت تشخیص و همچنین کاهش هزینه در فرایند تشخیص انجام شده می باشد.

Keywords:

شبکه عصبی کانولوشنی , تصاویر ماموگرافی , سرطان سینه , یادگیری عمیق , توده نرمال و غیر نرمال