شناسايي و دسته بندي ضايعات در تصاوير تشديد مغناطيسي پستان با استفاده از يادگيري عميق

كارشناسي ارشد

چكيده: سرطان پستان شايع‌ترين علت مرگ و مير در زنان مبتلا به سرطان است به طوري كه طبق آمار بدست آمده حتي در كشورهاي توسعه يافته نيز از هر ۸ نفر ۱ نفر به اين بيماري مبتلا مي‌شود، يكي از موثرترين راه هاي مبارزه با سرطان پستان، تشخيص آن در مراحل اوليه پيدايش است. با وجود اينكه تصاوير تشديد مغناطيسي به طور معمول يكي از روش هاي آشكار سازي سرطان سينه است، ولي در اكثر موارد، راديولوژيست ها به علت كيفيت ضعيف تصوير، خستگي چشم يا اشتباهات نظري ناهنجاري را به خوبي تشحيص نمي دهند. ازين رو تشخيص به كمك رايانه (CAD) ابزاري مفيد و موثر براي كمك به پزشكان در تشخيص زود هنگام سرطان سينه است. استفاده از سيستم شناسايي خودكار در كنار پزشك ميتواند درصد خطاي تشخيص را كاهش دهد و باعث كاهش تعداد بافت برداري هاي غير ضروري گردد. در اين پايان نامه تلاش كرديم تا با توجه به دقت و حساسيت بالاي تصويربرداري DCE-MRI از يك سو و مدلسازي دانش و مهارت پزشكان از سوي ديگر، يك سيستم CAD بر اساس ياد گيري عميق و تكنيك شبكه هاي عصبي كانولوشن (CNN ) براي ايجاد تمايز بين تومورهاي بدخيم و خوش‌خيم در تصاوير DCE-MR سينه پيشنهاد گردد. بكارگيري شبكه‌ي عصبي كانولوشن و همچنين طراحي و تركيب آن با ماشين بردار پشتيباني (SVM )در تصاوير DCE-MR سينه جهت تشخيص نوع تومور، جزء نوآوري‌هاي اين تحقيق به شمار مي‌آيند. شبيه ‌سازي شبكه‌ي عصبي كانولوشن پيشنهادي براي حدود 100 ROI حاوي تومور خوش‌خيم و بدخيم، بهترين نتايج را در مرحله تست براي حساسيت 75%، براي دقت 81.2% و براي صحت حدود 84%، رقم زد. همچنين نتايج حاكي از آن است كه بكار گيري CNN براي استخراج ويژگي بسيار موثر بوده است حتي در مقابل يكي از معضلات سيستم هاي تشخيص توده كه سايز متفاوت توده هاست، اين روش كارائي خود را نشان داده است و آناليز ROC مقدار سطح زير منحني0.83 AUC= را نشان ميدهد. واژه‌هاي كليدي: واژه‌هاي كليدي: تصاوير تشديد مغناطيسي پستان، دسته بندي تومور، جداسازي تومور، شبكه كانالوشن، دسته بندي SVM

192233

دانشگاه علم و صنعت ايران

الكترونيك

دكتر شهريار براردران شكوهي