مجله دانشگاه علوم پزشکی قم، جلد ۱۷، شماره ۱، صفحات ۰-۰
عنوان فارسی ارزیابی کارایی روش‌های یادگیری عمیق در درجه‌بندی اولیه بیماران سرطان پستان BI-RADS ۴ با استفاده از تصاویر ماموگرافی طیفی با کنتراست
چکیده فارسی مقاله هدف و زمینه: سرطان پستان امروزه بعنوان یک تهدید جدی برای سلامت زنان در جهان شناخته میشود. این امر سبب شده است غربالگری و تشخیص زودهنگام مناسبی حاصل پذیرد. در طبقه بندی سیستم گزارش و داده تصویربرداری پستان در دسته 4 Bi-RADS احتمال میزان بدخیمی ضایعات بافت پستان 2 تا 95% است که بیانگر دشواری در تشخیص است. CESM (ماموگرافی طیفی با کنتراست) ابزاری کارآمد برای تشخیص سرطان پستان به دلیل عملکرد مناسب به نسبت سایر روش‌های رادیومیک و بالینی است. بنابراین مطالعه‌‌ای با هدف ارزیابی عملکرد تشخیصی تصاویر  CESMدر تعیین میزان بدخیمی BI-RADS 4 در مراحل اولیه درمان سرطان پستان مبتنی بر شبکه عصبی کانولوشن(CNN) پیشنهاد شده است. روش بررسی: در این مطالعه از تصاویر CESM 1408 ضایعه مشکوک شامل 544 ضایعه خوش‌خیم و 864 ضایعه بدخیم سرطان پستان با دسته طبقه بندی BI-RADS 4 مورد استفاده قرار گرفته است، که 70 درصد دادگان به دسته آموزش، 15 درصد اعتبارسنجی و 15 درصد باقی مانده به دسته آزمایش مدل پیشنهادی اختصاص داده شده است. ابتدا مرحله پیش پردازش با هدف حذف نویز و بهبود کیفیت تصاویر جهت تشخیص کارآمد بر دادگان مورد مطالعه اعمال گردید. در گام بعد مرحله ناحیه بندی در جهت جداسازی ناحیه مشکوک توده از سایر بافت پستان انجام پذیرفته است. سپس با استفاده از 3 شبکه کارآمد شبکه عصبی کانولوشن   Densenet-201،Resnet-101 و Inception-V3 فرآیند استخراج ویژگی از تصاویر مورد مطالعه انجام گردید. در نهایت با استفاده از 3 مدل طبقه بند کننده یادگیری ماشین کی- نزدیکترین همسایگی (Knn)، ماشین بردار پشتیبان(Svm) وشبکه عصبی پیشخور (Fnn) ویژگی های استخراج شده شبکه پیشنهادی مورد طبقه بندی خوش خیم و بدخیم دسته BI-RADS 4  قرار میگیرند. عملکرد مدل شبکه پیشنهادی توسط پارامترهای حساسیت، اختصاصیت، صحت در قالب جدول ماتریس سردرگمی و همچنین منحنی زیرنمودار (AUC)  و ویژگی عملکرد گیرنده (ROC) محاسبه گریده است. یافته ها: با توجه به روش کار پیشنهادی توانایی عملکرد شبکه پیشنهادی Densenet-201 با طبقه بند Knn به ترتیب با مقدار حساسیت 99.2% ، اختصاصیت 97.5% ،صحت 98.57% و AUC 0.987 بوده است. این نتایج نشان دهنده قابلیت چشمگیر مدل پیشنهادی بر دادگان آزمایش در مقایسه با سایر مدل های پیشنهادی مطالعات پیشین بوده است. نتیجه گیری: ما یک مدل پیشنهادی یادگیری عمیق مبتنی بر شبکه عصبی کانولوشن ارائه داده ایم که با استفاده تصاویر CESM کارایی قابل توجهی در تشخیص میزان بدخیمی BI-RADS 4 در تشخیص زودهنگام و درمان به موقع سرطان پستان دارد. این مدل پیشنهادی میتواند بعنوان یک ابزار کمک تشخیصی در تشخیص و درمان به موقع بیماران مبتلا به سرطان پستان استفاده گردد، که منجر به تشخیص با صحت بالا و در مدت زمان بسیار کوتاه نسبت به سایر روشهای روتین میگردد.
کلیدواژه‌های فارسی مقاله کلید واژه ها، ماموگرافی، یادگیری عمیق، پردازش تصویر، BI-RADS ، شبکه عصبی کانولوشن، طبقه بندی، یادگیری ماشین، درجه بندی، تصاویر CESM .
عنوان انگلیسی Efficiency assessment of deep learning methods in early grading of BI-RADS 4 breast cancer cases using contrast-enhanced spectral mammography (CESM) images
چکیده انگلیسی مقاله Background and Objectives: Today, breast cancer is known as a serious threat to women's health in the world. This has led to proper screening and early diagnosis. In the classification of the breast imaging data and reporting system, in category 4 of Bi-RADS, the probability of malignancy of breast tissue lesions is 2 to 95%, which indicates the difficulty in diagnosis. CESM (contrast-enhanced spectral mammography) is an efficient tool for breast cancer detection due to its good performance compared to other radiomic and clinical methods. Therefore, a study with the aim of evaluating the diagnostic performance of CESM images in determining the degree of BI-RADS 4 malignancy in the early stages of breast cancer treatment based on Convolutional Neural Network (CNN) is proposed. Methods: In this study, CESM images of 1408 suspicious lesions including 544 benign lesions and 864 malignant breast cancer lesions with BI-RADS classification category 4 were used, of which 70% data were assigned to training category, 15% validation and 15% The rest is assigned to the testing category of the proposed model. First, the pre-processing stage was applied to the studied data with the aim of removing noise and improving the quality of images for efficient detection. In the next step, the zoning stage is performed in order to separate the suspicious area of ​​the mass from other breast tissue. Then, using 3 efficient convolutional neural networks, Densenet-201, Resnet-101 and Inception-V3, the feature extraction process was performed from the studied images. Finally, by using 3 machine learning classifier models K-Nearest Neighbor (Knn), Support Vector Machine (Svm) and Feedforward Neural Network (Fnn), the extracted features of the proposed network for benign and malignant classification of BI-RADS 4 category Placed. The performance of the proposed network model has been calculated by the parameters of sensitivity, specificity, accuracy in the form of confusion matrix table as well as underplot curve (AUC) and receiver operating characteristic (ROC). Results: According to the proposed method, the performance of the proposed Densenet-201 network with the Knn classification was 99.2% sensitivity, 97.5% specificity, 98.57% accuracy, and 0.987 AUC. These results show the remarkable ability of the proposed model on test data compared to other models proposed in previous studies. Conclusion: We have presented a proposed deep learning model based on convolutional neural network, which using CESM images has significant efficiency in detecting the degree of BI-RADS 4 malignancy in early diagnosis and timely treatment of breast cancer. This proposed model can be used as a diagnostic tool in the timely diagnosis and treatment of breast cancer patients, which leads to high accuracy diagnosis in a very short period of time compared to other routine methods.
کلیدواژه‌های انگلیسی مقاله Keywords, Mammography, Deep Learning, Image Processing, BI-RADS, convolutional neural network, classification, Machine learning, grade, CESM images.
نویسندگان مقاله علی آچاک | ali achak
Islamic Azad university
دانشگاه آزاد اسلامی

محمد رضا هدیه زاده | mohammad reza hedyehzadeh
Islamic Azad university
دانشگاه آزاد اسلامی

نشانی اینترنتی http://journal.muq.ac.ir/browse.php?a_code=A-10-2756-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده زنان
نوع مقاله منتشر شده مقاله پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات