جداسازی ناحیه های سرطانی و تشخیص سرطان سینه با کمک مدل جدید شبکه عصبی عمیق

یکی از مهم ترین نوع تصاویر، تصاویر پزشکی می باشد. در تصویر برداری پزشکی انواع مختلف فنون تصویربرداری برای تشخیص اقسام مختلف بیماریها استفاده میشوند. تصاویر پزشکی مهم میتوانند در کمک به تشخیص بیماریها، نقش مهمی ایفا کنند. اما در کاربردهای بالینی،معمولا زمان زیادی صرف بررسی دستی تصاویر میشود. تاکنون پژوهش های متعددی برای دستهبندی تصاویر پزشکی ارائه شده است. بیشتر پژوهش ها بر روی استخراج ویژگی ها در حوزه فرکانس، مکان و کاهش ابعاد ویژگی ها متمرکز شده اند. مدل پیشنهادی از یک شبکه عصبی AlexNet الهام گرفته شده است. در مرحله اول این روش، تصویر به اندازه مورد نیاز برگردانده می شود. در مرحله دوم تصویر با کمک توابع مورفولوژی بهبود کیفیت پیدا می کند. در مرحله سوم جداسازی ناحیه سرطانی انجام می شود. عملکرد طبقه بندی مدل شبکه عصبی عمیق پیشنهادی برای تشخیص وجود یا عدم وجود تومور(یعنی کلاس باینری) و ارزیابی نوع تومور (چند کلاسی) با مدلهای مختلف شبکه عصبی عمیق مقایسه شده است. مقایسه بین عملکرد مدل های مختلف بر روی مجموعه دادههای موجود ارائه شده است. می توان مشاهده کرد که مدل پیشنهادی ما نسبت به مدل های قبلی و مبتنی بر مدل موازی برای طبقه بندی باینری (به عنوان مثال دارای تومور/ بدون تومور) و چند طبقه (به عنوان مثال نوع تومور) بهتر عمل کرده است.