بهبود عملكرد يادگيري عميق در كلاس بندي سرطان هاي پوستي كارسينوماي سلول بازال و كارسينوماي سلول سنگفرشي

كارشناسي ارشد

سرطان پوست گسترده ترين نوع سرطان در سطح جهان است كه دو نوع از سرطان هاي پوستي به نام هاي كارسينوماي سلول بازال(BCC) و كارسينوماي سلول سنگفرشي(SCC) از شايع ترين انواع سرطان پوستي هستند. تشخيص دقيق و به موقع اين دو نوع سرطان، در درمان موثر آن ها و همچنين نجات دادن جان بيمار نقش به سزايي دارد. معمولاً اين سرطان ها با مشاهدات دستي و علائم رايج ثبت شده توسط پزشكان و با استفاده از درموسكوپي تشخيص داده مي شوند اما، به دليل شباهت بين هر دو نوع ضايعه، تشخيص آنها بسيار دشوار است. براي حل اين مسئله، روش هاي كمك تشخيصي رايانه اي(CAD) براي كلاس بندي اين دو سرطان با استفاده از تصاوير درموسكوپي بسيار مورد توجه قرار گرفته است. يكي از روش هاي كمك تشخيصي رايانه اي پركاربرد، شبكه هاي عصبي كانولوشني عميق(DCNN) هستند كه به عنوان روشي جديد و قدرتمند براي كلاس بندي تصاوير شناخته شده اند. امروزه، اين شبكه هاي عصبي، براي كلاس بندي تصاوير درموسكوپي ضايعه پوستي BCC و SCC به جهت روشي كمكي براي متخصصين پوست بسيار مورد توجه قرار گرفته است. اما كافي نبودن تصاوير درموسكوپي اين دو نوع سرطان و همچنين عدم تعادل در تعداد تصاوير در كلاس هاي BCC و SCC، چالش هايي هستند كه محققين در استفاده از اين مدل هاي عميق با آن رو به رو مي شوند كه باعث تضعيف عملكرد كلاس بندي نيز مي شود. در اين پژوهش، براي غلبه بر كمبود داده، از تكنيك هاي يادگيري انتقالي و داده افزايي استفاده شده و براي رفع تأثير عدم تعادل در اهميت و تعداد داده هاي كلاس ها در آموزش شبكه، تابع هزينه كانوني و متعادل سازي وزن داده ها و وزن دهي بيشتر به داده كمتر(كلاس SCC) و ذخيره كردن بهترين مدل با نظارت بر معيار جديد در نظر گرفته شده است. همچنين در اين تحقيق، شبكه هاي عصبي كانولوشني عميق EfficientNetB0، EfficientNetB1 و EfficientNetB2 براي كلاس بندي داده هاي تصويري BCC و SCC در مجموعه داده ISIC2019 در نظر گرفته شده اند كه تعداد پارامترهاي اين شبكه ها به ترتيب از EfficientNetB0 تا EfficientNetB2 افزايش مي يابد و معماري هاي متفاوتي دارند. در نتيجه، اثر اين افزايش بر روي عملكرد كلاس بندي نيز بررسي شده است. در آخر نيز، عملكرد بهترين مدل با شبكه عميق Xception كه تعداد پارامترهاي آن بيشتر از مدل هاي EfficientNet است و معماري متفاوتي دارد، مقايسه شده است. نتيجه بدست آمده نشان مي دهد كه با وزن دهي بيشتر به داده هاي كمتر(SCC) و افزايش پارامترهاي شبكه و داده افزايي مناسب و ذخيره كردن بهترين مدل با نظارت بر معيار جديد، بهترين نتيجه حاصل مي شود. شبكه Xception آموزش ديده با روش هاي پيشنهاد شده در اين پژوهش، با بازيابي %87/61، صحت %91/37، ويژگي برابر %98/05، F1 برابر %89/19 و سطح زير نمودار (AUC) 98/05٪ در مقايسه با ديگر شبكه ها عملكرد بهتري را نشان داده است و در مقايسه با ديگر تحقيقات انجام شده، معيار بازيابي و ويژگي به ميزان %1/51 و معيار AUC به ميزان %2/05 بهبود يافته است كه در نتيجه نشان مي دهد مدل پيشنهادي، بهترين عملكرد را براي كلاس بندي دو نوع سرطان BCC و SCC داشته است.

196246

دانشگاه علم و صنعت ايران

دكتر مريم نسيمي

مهندسي پزشكي-بيوالكتريك

دكتر حميد بهنام