دستهبندی تومور در تصاویر تشدید مغناطیسی پستان مبتنی بر شبکه عصبی کانالوشن بهبودیافته

مقدمه: سرطان پستان شایع ترین علت مرگ ومیر در زنان مبتلابه سرطان است به طوری که طبق آمار به دست آمده حتی در کشورهای توسعه یافته نیز از هر 8 نفر 1 نفر به این بیماری مبتلا می شود. استفاده از سیستم شناسایی خودکار در کنار پزشک می تواند درصد خطای تشخیص را کاهش دهد و باعث کاهش تعداد بافت برداری های غیرضروری گردد.روش کار: در این مقاله تلاش کردیم تا با توجه به دقت و حساسیت بالای تصویربرداری DCE-MRI از یک سو و مدل سازی دانش و مهارت پزشکان از سوی دیگر، یک سیستم CAD بر اساس فن شبکه های عصبی کانولوشن CNN برای ایجاد تمایز بین تومورهای بدخیم و خوش خیم در تصاویر DCE-MR سینه پیشنهاد گردد. به کارگیری شبکه ی عصبی کانولوشن و همچنین طراحی و ترکیب آن با ماشین بردار پشتیبانی (SVM) جهت تشخیص نوع تومور، جزء نوآوری های این تحقیق به شمار می آیند.یافته ها: شبیه سازی شبکه ی عصبی کانولوشن پیشنهادی برای حدود 100 ROI حاوی تومور خوش خیم و بدخیم، بهترین نتایج را در مرحله آزمون برای حساسیت 75%، برای دقت 81.2% و برای صحت حدود 84%، رقم زد و آنالیز ROC مقدار سطح زیر منحنی AUC 0.83 را نشان می دهد؛ که این نتایج حاکی از کارایی بالا روش به کاررفته است.نتیجه گیری: سیستم پیشنهادی با به کارگیری شبکه ی عصبی کانولوشن و همچنین طراحی و ترکیب آن با SVM در تصاویر DCE-MR سینه جهت تشخیص نوع تومور، جزء نوآوری های این تحقیق به شمار می آیند. نتایج در قالب مساحت زیر منحنی ROC و همچنین نرخ تشخیص شبکه بیان شدن که بسیار امیدوارکننده نیز بودند، تحقیقات در این زمینه و همچنین درباره سایر بدخیمی های پستان روش های پردازشی و دسته بندی کننده های مختلف در سال های اخیر انجام گرفته است.