ارزیابی روشهای یادگیری عمیق برای تشخیص ضایعات پیش سرطانی دهانه رحم در تصاویر کولپوسکوپی

تشخیص زودهنگام ضایعات پیش سرطانی دهانه رحم نقش حیاتی در کاهش بروز و مرگ ومیر ناشی از سرطان سرویکس دارد. با این حال، تفسیر دستی تصاویر کولپوسکوپی فرآیندی زمان بر وابسته به تجربه متخصص و مستعد خطا است. در این پژوهش، یک چارچوب یکپارچه مبتنی بر یادگیری عمیق با عنوان CFS-Net برای تشخیص خودکار ضایعات درون پوششی دهانه رحم در تصاویر کولپوسکوپی ارائه شده است. این پژوهش با رویکردی مقایسهای طراحی شده است تا اثر به کارگیری قطعه بندی هدفمند ضایعه در کنار استخراج ویژگیهای چند مقیاسی مکانیزم توجه و مدل سازی وابستگیهای فضایی بر عملکرد نهایی سیستم بررسی شود. بدین منظور، عملکرد چارچوب پیشنهادی هم در مقایسه با مسیر یادگیری مستقیم ویژگی و هم در مقایسه با معماریهای مرجع ۱۰۱-ResNet و Inception-ResNet-v۲ ارزیابی شد تحلیلهای آماری با استفاده از آزمون t زوجی (۰.۰۲۸=t=۲.۴۵, p) و آزمون مک نمار (۰.۰۴۱=p) تایید کرد که این بهبود از نظر آماری معنادار است. در مجموع یافتههای این پژوهش نشان میدهد که ادغام قطعه بندی ضایعه با یادگیری ویژگیهای عمیق در قالب CFS-Net میتواند به عنوان یک سامانه کمک تشخیصی قابل اعتماد و پایدار برای غربالگری و تشخیص زودهنگام ضایعات پیش سرطانی دهانه رحم به کار رود و نسبت به رویکردهای متداول دقت و قابلیت اطمینان بالاتری فراهم آورد.

کلیدواژه ها:

سرطان دهانه رحم ، کولپوسکوپی ، یادگیری عمیق ، ضایعات پیش سرطانی