طبقه بندی تصاویر پاتولوژی بافت های سینه با استفاده از رویکرد یادگیری عمیق

سرطان پستان همچنان یکی از مهم ترین عوامل مرگ ومیر در میان زنان سراسر جهان است. تشخیص زودهنگام و دقیق نقش مهمی در افزایش نرخ بقا و موفقیت درمان بیماران دارد. هدف اصلی این پژوهش، توسعه ی یک سامانه ی تشخیص یاری شده با کامپیوتر (CAD) است که بتواند تصاویر بافت شناسی پستان را به صورت خودکار و با دقت بالا، با بهره گیری از روش های یادگیری عمیق طبقه بندی کند. هدف این پژوهش، طراحی و ارزیابی یک سامانه ی تشخیص خودکار (CAD) برای طبقه بندی تصاویر هیستوپاتولوژی بافت پستان به دو گروه خوش خیم و بدخیم است. داده ها شامل ۱۶۲ اسلاید دیجیتالی از بیماران مبتلا به کارسینوم داکتال مهاجم بوده که پس از پیش پردازش و تقسیم به زیرنمونه ها، در سه مجموعه ی آموزش، اعتبارسنجی و آزمون با جداسازی بیمار محور مورد استفاده قرار گرفتند. برای استخراج ویژگی از شبکه ی عمیق ResNet-۱۰۱ با رویکرد یادگیری انتقالی بهره گرفته شد و لایه های بالایی شبکه برای انطباق با دامنه ی جدید بازآموزی شدند. فرآیند آموزش با داده افزایی شامل چرخش، قرینه سازی و تغییر مقیاس تصاویر انجام شد. ارزیابی مدل بر روی مجموعه ی آزمون نشان داد که سامانه ی پیشنهادی با دقت ۹۸٫۸ درصد، دقت مثبت ۹۷٫۹ درصد و بازخوانی ۹۸٫۵ درصد عملکرد بسیار مطلوبی دارد. این نتایج نشان می دهد که روش پیشنهادی می تواند به عنوان ابزاری کمکی برای پاتولوژیست ها در تشخیص سریع تر و دقیق تر سرطان پستان مورد استفاده قرار گیرد.

کلیدواژه ها:

سرطان پستان ، تصاویر بافت شناسی ، یادگیری عمیق ، یادگیری انتقالی ، ResNet-۱۰۱ ، طبقه بندی تصویر ، تشخیص یاری شده با کامپیوتر (CAD)