ارزیابی کارایی روش های یادگیری عمیق در درجه بندی اولیه بیماران سرطان پستان BI-RADS ۴ با استفاده از تصاویر ماموگرافی طیفی با کنتراست

هدف و زمینه: سرطان پستان امروزه بعنوان یک تهدید جدی برای سلامت زنان در جهان شناخته میشود. این امر سبب شده است غربالگری و تشخیص زودهنگام مناسبی حاصل پذیرد. در طبقه بندی سیستم گزارش و داده تصویربرداری پستان در دسته ۴ Bi-RADS احتمال میزان بدخیمی ضایعات بافت پستان ۲ تا ۹۵% است که بیانگر دشواری در تشخیص است. CESM (ماموگرافی طیفی با کنتراست) ابزاری کارآمد برای تشخیص سرطان پستان به دلیل عملکرد مناسب به نسبت سایر روش های رادیومیک و بالینی است. بنابراین مطالعه ای با هدف ارزیابی عملکرد تشخیصی تصاویر  CESMدر تعیین میزان بدخیمی BI-RADS ۴ در مراحل اولیه درمان سرطان پستان مبتنی بر شبکه عصبی کانولوشن(CNN) پیشنهاد شده است. روش بررسی: در این مطالعه از تصاویر CESM ۱۴۰۸ ضایعه مشکوک شامل ۵۴۴ ضایعه خوش خیم و ۸۶۴ ضایعه بدخیم سرطان پستان با دسته طبقه بندی BI-RADS ۴ مورد استفاده قرار گرفته است، که ۷۰ درصد دادگان به دسته آموزش، ۱۵ درصد اعتبارسنجی و ۱۵ درصد باقی مانده به دسته آزمایش مدل پیشنهادی اختصاص داده شده است. ابتدا مرحله پیش پردازش با هدف حذف نویز و بهبود کیفیت تصاویر جهت تشخیص کارآمد بر دادگان مورد مطالعه اعمال گردید. در گام بعد مرحله ناحیه بندی در جهت جداسازی ناحیه مشکوک توده از سایر بافت پستان انجام پذیرفته است. سپس با استفاده از ۳ شبکه کارآمد شبکه عصبی کانولوشن   Densenet-۲۰۱،Resnet-۱۰۱ و Inception-V۳ فرآیند استخراج ویژگی از تصاویر مورد مطالعه انجام گردید. در نهایت با استفاده از ۳ مدل طبقه بند کننده یادگیری ماشین کی- نزدیکترین همسایگی (Knn)، ماشین بردار پشتیبان(Svm) وشبکه عصبی پیشخور (Fnn) ویژگی های استخراج شده شبکه پیشنهادی مورد طبقه بندی خوش خیم و بدخیم دسته BI-RADS ۴  قرار میگیرند. عملکرد مدل شبکه پیشنهادی توسط پارامترهای حساسیت، اختصاصیت، صحت در قالب جدول ماتریس سردرگمی و همچنین منحنی زیرنمودار (AUC)  و ویژگی عملکرد گیرنده (ROC) محاسبه گریده است. یافته ها: با توجه به روش کار پیشنهادی توانایی عملکرد شبکه پیشنهادی Densenet-۲۰۱ با طبقه بند Knn به ترتیب با مقدار حساسیت ۹۹.۲% ، اختصاصیت ۹۷.۵% ،صحت ۹۸.۵۷% و AUC ۰.۹۸۷ بوده است. این نتایج نشان دهنده قابلیت چشمگیر مدل پیشنهادی بر دادگان آزمایش در مقایسه با سایر مدل های پیشنهادی مطالعات پیشین بوده است. نتیجه گیری: ما یک مدل پیشنهادی یادگیری عمیق مبتنی بر شبکه عصبی کانولوشن ارائه داده ایم که با استفاده تصاویر CESM کارایی قابل توجهی در تشخیص میزان بدخیمی BI-RADS ۴ در تشخیص زودهنگام و درمان به موقع سرطان پستان دارد. این مدل پیشنهادی میتواند بعنوان یک ابزار کمک تشخیصی در تشخیص و درمان به موقع بیماران مبتلا به سرطان پستان استفاده گردد، که منجر به تشخیص با صحت بالا و در مدت زمان بسیار کوتاه نسبت به سایر روشهای روتین میگردد.

کلیدواژه ها:

Keywords: Mammography ، Deep Learning ، Image Processing ، BI-RADS ، convolutional neural network ، classification ، Machine learning ، grade ، CESM images. ، کلید واژه ها: ماموگرافی ، یادگیری عمیق ، پردازش تصویر ، BI-RADS ، شبکه عصبی کانولوشن ، طبقه بندی ، یادگیری ماشین ، درجه بندی ، تصاویر CESM .