تشخیص خودکار سرطان ریه و ذات الریه از تصاویر رادیولوژی قفسه سینه با استفاده از شبکه عصبی کانولوشنی

سرطان ریه یکی از مهم ترین علل مرگ ومیر ناشی از سرطان در سراسر جهان است و تشخیص زودهنگام آن نقش اساسی در بهبود میزان بقای بیماران دارد. با توجه به حجم بالای تصاویر رادیولوژی قفسه سینه و نیاز به تحلیل سریع و دقیق، استفاده از فناوری های نوین یادگیری ماشین و به ویژه یادگیری عمیق به عنوان ابزاری قدرتمند برای کمک به پزشکان در تشخیص بیماری های ریوی مطرح شده است. شبکه های عصبی کانولوشنی (به دلیل توانایی بالای خود در استخراج ویژگی های پیچیده از تصاویر پزشکی، به طور گسترده ای در حوزه تشخیص بیماری ها به کار گرفته می شوند. هدف اصلی این پایان نامه، توسعه یک مدل دقیق و قابل اعتماد مبتنی بر شبکه DenseNet۱۲۱ برای تشخیص خودکار سرطان ریه، ذات الریه و وضعیت سالم از تصاویر رادیولوژی قفسه سینه است. برای این منظور، مجموعه داده NIH Chest X-ray با بیش از ۸۶ هزار نمونه مورد استفاده قرار گرفت. داده ها پس از پیش پردازش شامل تبدیل به فرمت مناسب، نرمال سازی و افزایش داده با تکنیک هایی همچون چرخش، تغییر روشنایی و برش تصادفی، به گونه ای تقسیم شدند که ۸۰ درصد برای آموزش و ۲۰ درصد برای اعتبارسنجی مدل اختصاص یافت. شبکه DenseNet۱۲۱ با معماری متشکل از بلوک های متراکم با اتصال مستقیم لایه ها، به منظور استخراج ویژگی خودکار از تصاویر استفاده شده است. نتایج ارزیابی مدل بر اساس دقت کلی حدود ۷۰ درصد، حساسیت ۷۷٪ برای سرطان ریه، ۷۲٪ برای ذات الریه و ۵۲٪ برای حالت سالم نشان دهنده عملکرد مناسب مدل در تمایز بین این کلاس ها است. نتایج نمایش میدهد که استفاده از روش های یادگیری عمیق به ویژه شبکه DenseNet می تواند در بهبود فرآیند تشخیص بیماری های ریوی از تصاویر پزشکی نقش موثری داشته باشد و امکان کمک به پزشکان در تصمیم گیری سریع تر و دقیق تر را فراهم سازد.

کلیدواژه ها:

سرطان ریه ، ذات الریه ، شبکه کانولوشنی عمیق ، DenseNet ، تصاویر اشعه ایکس (X-ray)