تشخيص و طبقه‌بندي ناهنجاري‌هاي پستان در تصاوير هيستوپالوژي مبتني بر يادگيري عميق

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

سالانه ميليون‌ها مورد سرطان در سراسر جهان شناسايي مي‌شود و سرطان پستان يكي از شايع‌ترين سرطان‌ها در ميان زنان است كه ميزان مرگ‌ومير بالايي نيز دارد. تشخيص زودهنگام سرطان پستان از اهميت ويژه‌اي برخوردار است زيرا به‌طور قابل توجهي مي‌تواند بر نتايج درماني و كيفيت زندگي بيماران و كاهش مرگ‌ومير تأثير بگذارد. در مراحل اوليه، سرطان پستان معمولاً محدود به ناحيه پستان است و هنوز به بافت‌هاي ديگر بدن سرايت نكرده است. اين امر امكان استفاده از درمان‌هاي با حداقل تهاجم و مؤثرتر مانند جراحي‌هاي كوچك‌تر و دوزهاي پايين‌تر شيمي‌درماني را فراهم مي‌كند. علاوه بر اين، تشخيص زودهنگام مي‌تواند ميزان مرگ ناشي از سرطان را به‌طور قابل توجهي كاهش دهد، چرا كه درمان در مراحل اوليه غالباً مؤثرتر و موفقيت‌آميزتر است. همچنين، تشخيص زودهنگام مي‌تواند به كاهش هزينه‌هاي درماني و كاهش استرس و اضطراب بيمار و خانواده‌اش منجر شود. براي تشخيص بيماري در مراحل اوليه از روش‌هاي مختلف تصويربرداري پزشكي استفاده مي‌شود كه تصويربرداري هيستوپاتولوژي يكي از مؤثرترين روش‌هاي تصويربرداري به‌منظور تشخيص سرطان در مراحل اوليه است. در تصاوير هيستوپاتولوژي، تصويربرداري با استفاده از ميكروسكوپ از سلول‌هاي رنگ‌آميزي شده انجام مي‌شود. نتيجه‌ي تحليل اين تصاوير، اطلاعات مفيدتري را در رابطه با نوع سرطان و ميزان پيشرفت آن ارائه مي‌دهد. اين نوع تصويربرداري به پزشكان اجازه مي‌دهد تا با دقت بيشتري به بررسي بافت‌ها بپردازند و تغييرات سلولي را كه مي‌تواند نشان‌دهنده وجود يا پيشرفت سرطان باشد، شناسايي كنند. اما زمان تشخيص طولاني و احتمال خطا به ميزان تجربه و مهارت پزشك وابسته است. پيشرفت‌هاي يادگيري عميق و هوش مصنوعي در تحليل تصاوير هيستوپاتولوژي، باعث شده تا تشخيص سريع‌تر و دقيق‌تر بيماري‌هاي سرطاني امكان‌پذير شود. اين فناوري‌ها از الگوريتم‌هاي يادگيري عميق براي شناسايي الگوهاي پيچيده در تصاوير بهره مي‌برند و به پزشكان و متخصصان هيستوپاتولوژي كمك مي‌كنند تا با دقت بيشتري بيماري‌هاي سرطاني را تشخيص دهند. الگوريتم‌هاي يادگيري عميق قادرند حتي تفاوت‌ها و تغييرات جزئي سلولي را نيز كه ممكن است با تجزيه و تحليل دستي ناديده گرفته شوند، شناسايي كنند. اين پيشرفت‌ها بهبود قابل توجهي در زمان تشخيص، افزايش دقت در تشخيص و كاهش احتمال خطاهاي انساني را به همراه دارد كه همگي به بهبود نتايج درماني و كيفيت مراقبت از بيماران كمك مي‌كنند. در اين پژوهش به تشخيص نوع سرطان پستان در تصاوير هيستوپاتولوژي با استفاده از شبكه‌هاي عصبي و روش‌هاي يادگيري عميق پرداخته‌شده است. دو شبكه‌ي عصبي متفاوت به‌منظور طبقه‌بندي و تشخيص نوع سرطان پستان با استفاده از تصاوير هيستوپاتولوژي معرفي شده است. شبكه‌هاي معرفي شده با تكيه‌بر اتصالات پرش، يادگيري انتقال و با بهره‌گيري از قدرت شبكه‌هاي عصبي كانولوشني توانسته‌اند به نتايج خوبي دست يابند. هر يك از اين روش‌هاي پيشنهادي با چهار معيار متفاوت دقت، صحت، يادآوري و نمره‌ي f1 با ديگر روش‌ها مقايسه شده‌اند. آزمايش‌هاي انجام شده بر روي مجموعه داده‌ي BreakHis نشان داده است كه در روش‌هاي پيشنهادي در اين پژوهش، مقدار صحت حدود 3-4%، دقت 3-5%، يادآوري 2-7% و نمره‌يf1 %1-3 در بزرگنمايي‌هاي متفاوت بهبود داشته است. اين بهبود‌ها نشان‌دهنده‌ي كارآمدي و دقت بالاي شبكه‌هاي عصبي و الگوريتم‌هاي يادگيري عميق در تشخيص سرطان پستان از طريق تحليل تصاوير هيستوپاتولوژي هستند.

231667

هوش مصنوعي و رباتيكز

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان