بخشی از مقاله
چکیده
با توجه به اینکه سرطان سینه یکی از بیماریهای شایع در بین زنان مخصوصاٌ زنان کشورهای در حال توسعه است لذا تشخیص زودهنگام و به موقع آن علاوه بر اینکه میتواند ریسک مرگ را کاهش دهد میتوان از هزینههای تحمیل شده به بیمار و جامعه نیز بکاهد. در این پژوهش کوشش شده است با استفاده از شبکههای عصبی عمیق و پیکربندی و آموزش آنها و بطور خاص شبکههای عمیق کانولوشن که یک نمونه از یادگیری سلسله مراتبی است، راهکاری برای افزایش دقت تشخیص تصاویر ماموگرافی ارائه شود. روش پیشنهادی بر روی دو مجموعه داده MIAS و مجموعه گردآوری شده از مراکز تصویر برداری شهر کرمانشاه جداگانه اجرا گردید و با سایر روشهای کلاسبندی مورد مقایسه قرار گرفت و نتایج بدست آمده دقتی برابر 97.04 و 96 را ارائه نمود که نسبت به سایر روشها از دقت بالاتری برخوردار است.
-1 مقدمه
طبق آمار سازمان بهداشت جهانی سرطان سینه یکی از سرطانهای شایع در بین زنان و دومین عامل مرگ و میر در بین آنها است. - - jiao.z. et al,2016 نزدیک به %50 از موارد سرطان سینه و %58 از مرگ و میر ناشی از آن در کشورهای در حال توسعه اتفاق می افتد .Gallego- posada JD.et al - - یکی از روشهای مرسوم در تشخیص این سرطان نمونه برداری به کمک جراحی است، که این روش بالاترین دقت تشخیص را دارد. اما این روش تهاجمی، زمانبر و پرهزینه است - oliv.mango .sarion.et al,1994 - یکی دیگر از روشهای غربالگری متداول در بررسی این بیماری استفاده از تکنیکهای تصویر برداری از قبیل ماموگرافی است که معایب روش قبل را ندارد.
همچنین ماموگرافی میتواند کوچکترین تغییرات ایجاد شده در سینه را که ممکن است نشانهای از وجود سرطان است را قبل از پزشک یا خود بیمار تشخیص دهد. - . - Menendez.LA. et al,2010 شبکههای عصبی عمیق حوزه جدیدی در شبکهای عصبی هستند که اخیراً پیشرفتهای زیادی را در موضوعات مختلف مرتبط با یادگیری ماشین با خود به همراه آوردهاند. با توجه به ظهور حوزه جدیدی از یادگیری ماشین به نام یادگیری عمیق که با خود تعریف جدیدی را برای ساختارهای شبکههای عصبی عمیق ارائه کرده است، مشکلات مذکور رفع شده و توانایی استفاده از شبکههای عمیق با قابلیتهای مختلف برای محققان فراهم شده است.
در این پژوهش، سیستمی بر پایه شبکه عصبی عمیق کونولوشن ارائه شده است که با استفاده از ویژگیهای استخراج شده از تصاویر ماموگرافی سینه ضایعههای مشکوک با دقت بالایی تشخیص داده میشود. روش پیشنهادی روی مجموعه داده استاندارد MIAS و مجموعه داده جمع آوری شده در این پژوهش از بیمارانی که از سال 1392 تا سال 1394 در مراکز مختلف عکس ماموگرافی تهیه شده است. نتایج آزمایشات روی هر دو مجموعه داده نشان دهده برتری سیستم پیشنهادی نسبت به سیستمهای شناخته شده دیگر است.
-2 پیشینه تحقیق
شبکههای عصبی از اواخر سال 1980 در پزشکی مورد استفاده قرار گرفتند و هر دو نوع شبکه با ناظر و بدون ناظر بعنوان راهکارهای موفقی در طب استفاده شدهاند. مطالعات و کارهای فراوانی به منظور تشخیص سرطان سینه با استفاده از تکنیکهای داده کاوی از قبیل شبکههای عصبی، ماشین بردار پشتیبان، نزدیکترین همسایگی، درختهای تصمیم و ...انجام گردیده است، برای پیش بینی سرطان سینه مدلی با استفاده از تکنیک داده کاوی شبکههای عصبی جمعی مورد استفاده قرار گرفته است، بدین صورت که در این روش چندین مدل بر اساس مجموعه داده آموزشی مختلف تولید گردیده و در نهایت مدلها با هم ترکیب میشوند که برای این منظور در این پژوهش از الگوریتم Boosting استفاده شده است و همچنین الگوریتم آموزشی مورد استفاده الگوریتم شیب دارترین نزول بوده که پرکاربردترین الگوریتم آموزشی شبکه عصبی است.
در نهایت بعد از ترکیب مدلها با یکدیگر، مدل نهایی دارای دقت %96,67 و حساسیت %97,10 و ویژگی %95,65 بوده است - میثم قاسم پور و لطیف محمدی، - 1392 در سال 2013، wango و همکارانش از تصاویر ماموگرافی 482 بیمار برای مقایسه دقت از یک ماشین ELM همچنین از یک svm بمنظور طبقه بندی تصاویر نرمال و دارای توده استفاده نمودند. نتایج عملکرد بهتر کلاسبند elm را نسبت به svm نشان داد .
- Wang G. et al,2013 - در مقالهای که در سال 2015 توسط peng و همکارانش نوشته شد یک سیستم یکپارچه برای تجزیه و تحلیل خودکار تصاویر ماموگرافی ارائه شدکه تصاویر ابتدا بوسیله تکنیک بخش بندی و با استفاده از اعمال یک فیلتر میانی دو بعدی، کنتراست تصویر برای حذف نویز و حذف عضلات پکتورال پیش پردازش شدند که با استفاده از تصاویر موجود در دیتاست mias و با استفاده از طبقه بندی آنها بوسیله شبکه عصبی مصنوعی دقتی برابر %96 را بدست آورند، - Peng w.et al,2016 - همچنین در سال 2015 توسط jiao و همکارانش در رابطه با کلاسبندی تودههای خوش خیم و بدخیم از دیتاست DDSM ارائه شد دقتی برابر %96,7 را در بر داشت که در این مقاله از شبکه عصبی عمیق کانولوشن بعنوان استخراج کننده ویژگی و از ماشین بردار پشتیبان بعنوان یک دسته بندی کننده استفاده شده بود - . - jiao.z. et al,2016
-3 روش پیشنهادی
سیستم پیشنهادی بر اساس شبکه عصبی کانولوشن عمیق با استخراج ویژگیهای مختلف از تصاویر ماموگرافی میکند. در ادامه سبکه عصبی عمیق استفاده شده تشریح میگردد.
-3-1 شبکه عصبی کانولوشن عمیق
شبکههای عصبی کانولوشنال با الهام از پرسپترون چند لایه بوجود آمدهاند، تفاوت شبکههای کانولوشنال با سایر شبکههای چند لایه در معماری آنها است. شبکههای کانولوشنال بطور صریح فرض براین دارند که ورودی آنها تصویر است، و این به محقق این اجازه را میدهد که ویژگیهای مشخصی را در معماری شبکه قرار دهد.
