ارائه یک روش جدید مبتنی بر شبکه عصبی عمیق و دسته بندی کننده LightGBM به منظور تشخیص سرطان سینه از روی تصاویر هیستوپاتولوژی

سرطان سینه یک نگرانی بهداشت جهانی است و پیش بینی می شود تا سال ۲۰۳۰حدود ۳۰ میلیون مورد جدید گزارش شود. در حالی که تلاش ها به سمت اقدامات درمانی هدایت می شوند. اقدامات پیشگیرانه وتشخیصی نیز باید برای مهار این وضعیت بهبود یابد. تاکنون تلاش های مختلفی برای دسته بندی تصاویر هیستوپاتولوژی ارائه شده است. در این مقاله روش جدیدی برای این مساله پیشنهاد شده که دقت بالاتری نسبت به روش های قبلی دارد. در این مقاله از شبکه عصبی عمیق DenseNet۱۶۹ به منظور استخراج ویژگی تصاویر و از الگوریتم LightGBM برای دسته بندی آن ها استفاده شده است. به منظور ارزیابی کارایی روش پیشنهادی از مجموعه داده BreakHis که شامل ۷۹۰۹ تصویر میکروسکوپی از بافت تومور سینه که از ۸۲ بیمار با استفاده از فاکتورهای بزرگنمایی مختلف ۴۰۰X,۲۰۰X,۱۰۰X,۴۰X جمع آوری شده، استفاده شده است. روش پیشنهادی در مساله تشخیص خوش خیم یا بدخیم تومورد در بزرگنمایی ۴۰۰X,۲۰۰X,۱۰۰X,۴۰X به ترتیب دقت های ۹۱/۵، ۹۱/۳۶، ۹۱/۷۲ و ۹۱/۲۱ درصد را بدست آورده است.