مروری بر کاربرد شبکه های عصبی کانولوشنی در تشخیص سرطان سینه از تصاویر ماموگرافی

سرطان سینه از مهم ترین عوامل تهدیدکننده سلامت زنان در سطح جهانی به شمار می رود و شناسایی آن در مراحل اولیه تاثیر چشمگیری بر کاهش مرگ ومیر دارد. ماموگرافی به عنوان رایج ترین روش غربالگری، حجم عظیمی از تصاویر پزشکی تولید می کند که تفسیر دقیق آن ها نیازمند تخصص بالا و زمان قابل توجه است. در سال های اخیر، شبکه های عصبی کانولوشنی (CNN) به عنوان یکی از موفق ترین رویکردهای یادگیری عمیق در تحلیل تصاویر پزشکی، توجه گسترده ای را در حوزه تشخیص خودکار ضایعات سینه جلب کرده اند. این شبکه ها با استخراج خودکار ویژگی های سلسله مراتبی از تصاویر ماموگرافی، توانایی بالایی در شناسایی توده ها، کلسیفیکاسیون های ریز و ناهنجاری های بافتی نشان داده اند. استفاده از معماری های پیشرفته مانند ResNet، VGG و DenseNet و همچنین بهره گیری از یادگیری انتقالی، موجب بهبود دقت، حساسیت و ویژگی سیستم های تشخیصی شده است. با وجود نتایج امیدبخش، چالش هایی نظیر کمبود داده های برچسب خورده، عدم توازن کلاس ها و نیاز به تفسیرپذیری مدل ها همچنان مطرح هستند. به طور کلی، به کارگیری شبکه های عصبی کانولوشنی ظرفیت قابل توجهی برای ارتقای دقت و کارایی سیستم های تشخیص سرطان سینه مبتنی بر ماموگرافی فراهم کرده است.

کلیدواژه ها:

سرطان سینه ، ماموگرافی ، شبکه های عصبی کانولوشنی ، یادگیری عمیق ، تحلیل تصاویر پزشکی