تشخیص سرطان ریه با استفاده از تصاویر سی تی اسکن و شبکه عصبی کانولوشن دو بعدی

سرطان ریه یکی از شایع ترین و مرگبارترین انواع سرطان در جهان است و تشخیص زودهنگام آن نقش کلیدی در افزایش نرخ بقا و بهبود درمان بیماران دارد. روش های مرسوم تصویر برداری به ویژه سی تی اسکن اطلاعات ارزشمندی در اختیار پزشکان قرار می دهد. اما تفسیر دقیق این تصاویر به دلیل حجم بالای داده و شباهت بصری میان بافت های سالم و توموری نیازمند زمان و تخصص فراوان است. در سال های اخیر بهره گیری از یادگیری عمیق و شبکه های عصبی کانولوشن دو بعدی (۲D CNN) به عنوان روشی موثر برای تشخیص خودکار الگوهای پنهان در تصاویر پزشکی مورد توجه ویژه قرار گرفته است. در این پژوهش با هدف طراحی مدلی کارآمد و سبک برای تشخیص خودکار سرطان ریه از مجموعه داده ی عمومی IQOTH/NCCD شامل ۳۰۰ تصویر سی تی اسکن استفاده شد؛ که از این میان ۲۰۰ تصویر مربوط به بیماران مبتلا به سرطان ریه و ۱۰۰ تصویر متعلق به افراد سالم بودند. تصاویر پس از پالایش اولیه و حذف نویز تحت مراحل پیش پردازش شامل نرمال سازی شدت پیکسل ها، تغییر اندازه به ابعاد استاندارد ۲۵۶×۲۵۶ پیکسل و افزایش داده ها (Data Augmentation) قرار گرفتند. مدل طراحی شده شامل یک لایه کانولوشن دو بعدی برای استخراج ویژگی های مکانی، یک لایه فعال سازی ReLU، چهار لایه Fully Connected جهت یادگیری روابط سطح بالا و در نهایت لایه Softmax برای طبقه بندی نهایی بود. آموزش مدل با بهینه ساز Adam و نرخ یادگیری ۰.۰۰۱ در طی ۵۰ دوره انجام شد. داده ها با نسبت ۸۰ به ۲۰ میان مجموعه های آموزش و آزمون تقسیم شدند. نتایج ارزیابی مدل با استفاده از ماتریس کانفیوژن نشان داد که شبکه طراحی شده عملکردی بسیار رضایت بخش دارد. دقت کلی مدل (Accuracy) برابر با ۹۲، حساسیت (Sensitivity) برابر با ۰.۹۲۵، ویژگی (Specificity) برابر با ۹۰ و امتیاز F۱ معادل ۰.۹۳۶ به دست آمد. تحلیل نتایج نشان داد که مدل پیشنهادی قادر است با ساختاری ساده و حجم پارامتر کم تفکیک موثری میان تصاویر سالم و سرطانی ایجاد کند. همچنین مقدار پایین خطاهای مثبت و منفی کاذب نشانگر پایداری و تعمیم پذیری مناسب مدل است. در مجموع یافته های این پژوهش بیانگر آن است که استفاده از شبکه های عصبی کانولوشن دو بعدی می تواند ابزاری موثر برای تشخیص زودهنگام سرطان ریه از روی تصاویر سی تی اسکن باشد. سادگی معماری، دقت بالا و کارایی محاسباتی مناسب این مدل را به گزینه بالقوه برای توسعه سیستم های هوشمند پشتیبان تصمیم گیری بالینی در حوزه ی تصویربرداری پزشکی تبدیل کرده است.

کلیدواژه ها:

یادگیری عمیق ، شبکه عصبی کانولوشن دو بعدی ، سرطان ریه ، سی تی اسکن