محمد امین آل آقا - دپارتمان مهندسی برق و کامپیوتر _ایران_ کرمانشاه_ دانشگاه فنی
علیرضا کمری کالیانی - دپارتمان مهندسی برق و کامپیوتر _ایران_ کرمانشاه_ دانشگاه فنی
پوریا احمدی امیرآبادی - دپارتمان مهندسی برق و کامپیوتر _ایران_ کرمانشاه_ دانشگاه فنی
ایمان رستمی - دپارتمان مهندسی برق و کامپیوتر _ایران_ کرمانشاه_ دانشگاه فنی
امیرحسین کمری کالیانی - دپارتمان مهندسی برق و کامپیوتر _ایران_ کرمانشاه_ دانشگاه فنی

ما طبقه بندی ناحیه های مطلوب ROI در ماموگرام ها را یا بصورت توده یا بصورت بافت نرمال با استفاده از یک شبکه عصبی کانولوشن CNN بررسی می کنیم CNN، یک شبکه عصبی پس انتشار با کرنل های وزن دو بعدی است که بر روی تصاویر عمل می کند. اجرای سریع، پایدار و تعمیم یافته CNN توسعه داده می شود تصاویر ورودی به CNN از ROI با استفاده از دو تکنیک بدست می آید. تکنیک اول، میانگین گیری و زیرنمونه گیری را انجام می دهد. تکنیک دوم، روش های استخراج ویژگی بافت را برای ناحیه کوچکی در داخل ROI بکار می برد. ویژگی های محاسبه شده در نواحی مختلف به عنوان تصاویر بافت قرار می گیرند که به طور متوالی به عنوان ورودی های CNN استفاده می شوند. اثرات ساختار و پارامترهای ویژگی بافت CNN بر دقت طبقه بندی بررسی می شود. روش منحنی مشخصه عملکرد ROC برای ارزیابی دقت طبقه بندی استفاده می شود. یک مجموعه داده شامل 168 ROI که دارای توده های تایید شده هستند و 504 ROI که دارای بافت نرمال سینه هستند، توسط رادیولوژیست باتجربه در ماموگرافی از 168 ماموگرام استخراج می شود. این مجموعه داده برای آموزش و تست CNN استفاده می شود. با ترکیب بهتر ساختار و پارامترهای ویژگی بافت CNN زیر تست منحنی ROC به 0.87 می رسد که متناظر با یک بخش مثبت واقعی 90 % در یک بخش مثبت کاذب 31 % می باشد. نتایج ما، امکان استفاده از CNN را برای طبقه بندی توده ها و بافت نرمال در ماموگرام ها نشان می دهد.

شبکه های عصبی کانولوشن،جلو انتشار،پس انتشار، قانون دلتا-بار-دلتا،طبقه بندی برای تصاویر بافت GLDS، طبقه بندی برای تصاویر بافت SGLD و GLDS