استفاده از مدل ترکیبی UNETوVGG۱۹ برای پردازش عمیق بر روی تصاویر ماموگرافی سرطان سینه

سرطان سینه یکی از مسائل مهم بهداشت عمومی است و علت اصلی مرگ و میر ناشی از سرطان در میان زنان در سراسر جهان محسوب می شود. تشخیص زودهنگام آن می تواند به طور موثر به افزایش کمک کند . بیوپسی معمولا به عنوان یک رویکرد استاندارد طلایی دنبال می شود که در آن بافت ها برای تجزیه و تحلیل میکروسکوپی جمع آوری می شوند اما با این حال، تجزیه و تحلیل هیستوپاتولوژیک سرطان پستان غیر ضروری است و ممکن است منجر به درجه بالایی از اختلاف نظر در میان آسیب شناسان شود. بنابراین، یک سیستم تشخیص خودکار می تواند به آسیب شناسان کمک کند تا اثربخشی فرآیندهای تشخیصی را بهبود بخشند. چارچوب پیشنهادی ما بر اساس نمای MLO و نمای CC برای بهبود عملکرد سیستم است. علاوه بر این، فقدان داده های برچسب گذاری شده یک چالش بزرگ است. یادگیری انتقال و تقویت داده ها برای غلبه بر این مشکل استفاده می شود. براساس مجموعه داده ماموگرافی؛ MIAS در ارزیابی ما استفاده می شود. روش پیشنهادی اعمال افزایش داده با مدل اصلاح شده U-Net و VGG(۱۹) به نتیجه، با این دقت۹۸.۳۵ ٪، به دست می یابد.