طراحی یک مدل یادگیری عمیق جدید برای طبقهبندی نامتوازن تومورهای موجود در تصاویر ماموگرافی

تشخیص تومورهای بدخیم موجود در بافت سینه یکی از چالشهای جدی در بررسی بافت سینه است. در حال حاضر ماموگرافی، متداول ترین راه تشخیص تومورهای موجود در سینه است. کمبود نمونه تصاویر ماموگرافی حاوی تومورهای بدخیم برچسبگذاری شده میتواند تشخیص تومورهای بدخیم موجود در بافت سینه در تصاویر ماموگرافی را به مسئله طبقهبندی نامتوازن تبدیل کند. بههمین دلیل در این مقاله یک مدل یادگیری عمیق جدید بر اساس شبکههای کپسولی برای طبقهبندی نامتوازن تومورهای موجود در بافت سینه ارائه میشود. در این مقاله از دادههای پایگاه داده DDSM که شامل ۵۰۰ تصویر ماموگرافی حاوی تومورهای خوشخیم و ۵۰۰ تصویر ماموگرافی حاوی تومورهای بدخیم است، استفاده شد. در بررسی طبقهبندی نامتوازن از نسبت نامتوازنی ۱:۲ تا ۱:۱۰، شبکه پیشنهادی توانست دقت بالای ۸۲ درصد را حفظ کند که نشان از عملکرد مناسب آن در طبقهبندی نامتوازن تومورهای موجود در بافت سینه در تصاویر ماموگرافی دارد. همچنین درصد صحت کلی شبکه پیشنهادی بالای ۸۵ درصد حفظ شد.