ارائه روشی برای طبقه بندی تومورهای بدخیم در تشخیص سینه با استفاده شبکه های عصبی کانولوشن پیچیده

سرطان سینه یکی از علل اصلی مرگ و میر در میان زنان است و نیازمند روشهای تشخیصی پیشرفته برای تشخیص زودهنگام و دقیق است. مدلسازی سرطان سینه با استفاده از شبکه های پیچیده شامل نمایش تعاملات بیولوژیکی به عنوان گره ها و لبه ها برای کشف مکانیسم های بیماری و پیش بینی پیشرفت یا پاسخ های درمانی از طریق تجزیه و تحلیل توپولوژیکی و دینامیکی است. تکنیک های سنتی مانند ماموگرافی و بیوپسی اغلب با محدودیت هایی در حساسیت و تفسیرپذیری مواجه هستند. این مقاله یک روش داده کاوی جدید برای شناسایی سرطان سینه با استفاده از طبقه بندی تومور از طریق شبکه های عصبی پیچشی گراف (GCNN) ارائه می دهد. برخلاف مدل های یادگیری عمیق مرسوم GCNN به طور موثر ویژگی های رابطه ای پیچیده را در داده های غیر اقلیدسی ثبت می کند و آنها را برای تجزیه و تحلیل ساختارهای تومور ایده آل می سازد. روش پیشنهادی داده های تصویر برداری پزشکی و هیستوپاتولوژی را در مرحله پیش پردازش به نمایش های گراف تبدیل می کند و امکان استخراج و طبقه بندی قوی ویژگی ها را فراهم می کند. نتایج شبیه سازی روش پیشنهادی بر روی مجموعه داده های دنیای واقعی نشان می دهد که روش پیشنهادی در مقایسه با روش های مرسوم از نظر دقت مدل یادگیری، سرعت اجرای فرآیند یادگیری و تشخیص، دقت عملکرد بهتری دارد. از سوی دیگر نتایج نشان می دهد که هر چه کیفیت تصاویر تومور بالاتر باشد، مدل یادگیری با دقت بیشتری انواع تومور را پیش بینی می کند.

کلیدواژه ها:

تشخیص پزشکی ، سرطان سینه ، طبقه بندی تومور با شبکه پیچیده ، شبکه های عصبی پیچشی گراف (GC) ، کاوش ، ویژگی