بهبود دقت تشخیص سرطان سینه در تصاویر ماموگرافی با استفاده از شبکه های عصبی عمیق

تشخیص زودهنگام سرطان سینه یکی از چالش های عمده در حوزه پزشکی است که به دلیل تاثیرات مستقیم آن بر افزایش نرخ بقای بیماران و کاهش میزان مرگ ومیر ناشی از این بیماری، اهمیت ویژه ای دارد. ماموگرافی به عنوان یکی از ابزارهای اصلی تشخیص سرطان سینه در سطح جهان شناخته می شود، اما تحلیل و تشخیص دقیق این تصاویر به ویژه در موارد ابتدایی و با ویژگی های پیچیده توده های سرطانی، همچنان چالش برانگیز است. در این راستا، استفاده از روش های هوش مصنوعی، به ویژه شبکه های عصبی عمیق، به طور چشمگیری در سال های اخیر افزایش یافته است.در این تحقیق، یک مدل ترکیبی مبتنی بر شبکه های عصبی کانولوشنی (CNN) و شبکه های عصبی بازگشتی (RNN) به منظور بهبود دقت تشخیص سرطان سینه از تصاویر ماموگرافی طراحی شده است. شبکه عصبی کانولوشنی برای استخراج ویژگی های فضایی پیچیده از تصاویر ماموگرافی به کار رفته است. این شبکه قادر است ویژگی هایی نظیر توده ها، ناهنجاری ها و میکروکلسیفیکاسیون ها را به طور دقیق شناسایی کند که نقش کلیدی در تشخیص زودهنگام سرطان سینه دارند. لایه های کانولوشنی در این مدل به صورت خودکار و بدون نیاز به ویژگی سازی دستی، قادر به استخراج ویژگی های مختلف از تصاویر هستند. همچنین لایه های Pooling در مدل CNN به کاهش ابعاد و استخراج ویژگی های برجسته کمک می کنند که باعث بهبود عملکرد مدل می شود.

Keywords:

تشخیص سرطان سینه , شبکه های عصبی کانولوشنی , شبکه های عصبی بازگشتی , ماموگرافی , پیش پردازش داده ها , تکنیک Dropout , دقت , حساسیت , ویژگی