یادگیری عمیق U-Net بهبود یافته با خوشه بندی مبتنی بر الگوریتم ترکیبی کرم شب تاب و بهینه سازی ازدحام ذرات در تشخیص سرطان سینه در تصاویر ماموگرافی

سرطان سینه از بیماری های مهم عصر حاضر است که تشخیص درست و زودهنگام آن می تواند به روند بهبود بیماری و جلوگیری از مرگ و میر منجر شود. یادگیری عمیق در پردازش تصاویر پزشکی راهکار موثری در کمک به پزشکان در تشخیص این سرطان و شرایط تومور می باشد. زیرا تراکم بالای بافت سینه یکی از محدودیت ها در تشخیص این بیماری از روی تصاویر ماموگرافی است. در این پژوهش،روشی جدید با استفاده از شبکه عمیق U-Net در ترکیب با خوشه بندی فازی و الگوریتم ترکیبی کرم شب تاب و ازدحام ذرات جهت شناسایی، قطعه بندی تومورسرطان سینه ارائه شده است. روش پیشنهادی بر روی مجموعه داده های تصاویر ماموگرافی استاندارد شامل DDSM و INbreast مورد بررسی و تحلیل قرار گرفته است. نتایج، نشان دهنده آن است که شبکه عصبی کانالوشن به دقت %۹۷.۵ ، روش U-Net به دقت %۹۹.۵، روش بهبود یافته U-Net با خوشه بندی فازی و ازدحام ذرات (PSO-FCM-U-Net) به دقت %۹۹.۶و روش بهبود یافته U-Netبا خوشه بندی فازی و کرم شب تاب و ازدحام ذرات (FFPSO-FCM-U-Net) به دقت %۹۹.۸رسیده است. در حالت کلی، نتایج دقت تشخیص سرطان سینه با مدل پیشنهادی U-Net بهبود یافته پیشنهادی، نتایج نویدبخشی را ثمر داد.

کلیدواژه ها:

یادگیری عمیق U-Net ، سرطان سینه ، ماموگرافی ، خوشه بندی ، الگوریتم کرم شب تاب