جلد 29، شماره 3 - ( 3-1401 )
جلد 29 شماره 3 صفحات 253-240 |
برگشت به فهرست نسخه ها
Research code: 0
Ethics code: 0
Clinical trials code: 0
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghochdashi E, Meshgini S, Makouei S. Breast Cancer Detection from Mammography Images Using Convolutional Neural Network. RJMS 2022; 29 (3) :240-253
URL: http://rjms.iums.ac.ir/article-1-8425-fa.html
URL: http://rjms.iums.ac.ir/article-1-8425-fa.html
قوچ‌داشی الهام، مشگینی سعید، ماکویی سمیه. شناسایی سرطان پستان از روی تصاویر ماموگرافی با استفاده از شبکه‌های عصبی کانولوشن. مجله علوم پزشکی رازی. 1401; 29 (3) :240-253
استادیار گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران ، meshgini@tabrizu.ac.ir
چکیده: (122 مشاهده)
زمینه و هدف: سرطان سینه، شایع‌ترین سرطان در میان زنان و دومین علت مرگ‌و‌میر ناشی از سرطان در زنان است. ماموگرافی یک نوع تصویربرداری ساده و ابزاری برای کشف زود‌هنگام سرطان‌های غیرقابل لمس پستان است؛ اما بررسی و تفسیر تعداد بسیار زیادی از تصاویر ماموگرام، کاری بسیار دشوار و زمان‌بر و احتمال وقوع خطاهای انسانی بسیار است. یکی از مهم‌ترین روش‌های یادگیری عمیق، شبکه‌های عصبی کانولوشنی هستند. در مقاله، از پایگاه داده دیجیتال برای ماموگرافی غربالگری از نسخه‌ی CBIS با هدف ارتقا اعتبارسنجی دادهها مورد استفاده گردید.
روشکار: در این پژوهش، در حالت دو کلاسه سه نوع معماری و در حالت سه کلاسه یک نوع معماری طراحی گردید. برای طراحی شبکه، لایه‌ها با توجه به شکل5 چینش گردید که از یک لایه ورودی به اندازه 1×145×159 و یک لایه کانولوشنی دوبعدی به اندازه 8×20 و از یک لایه ادغام ماکسیمم با سایز2× 5 و از دو لایه تماما متصل استفاده شد (از لایه ادغام ماکسیمم به این دلیل استفاده شد که از حداکثر مقدار خوشه‌های نورونی لایه پیشین استفاده می‌کند و همچنین باعث همگرایی سریع‌تر، بهبود تعمیم‌دهی و انتخاب ویژگی‌های نامتغیر شود.) و مقداردهی وزن هر لایه به‌صورت تصادفی بوده است. سومین معماری شبکه طراحی شده نشان داده‌شده، به این صورت است که از یک لایه ورودی و سه لایه کانولوشنی دوبعدی و از سه لایه ادغام ماکسیمم و از دو لایه تماما متصل استفاده شده که سایز هر لایه در جدول (3) نشان داده شده است. لایه‌سازی برابر با یک است. زمان آموزش 6:37 است و دقت به‌دست‌آمده برای داده‌های اعتبارسنجی 58/92 % و آزمایش 5/86 % به‌دست آمده است.
یافتهها: نتایج حاصل از شبیه‌سازی برای 310 داده برای دومین نوع معماری دو کلاسه زمان آموزش"06:′6 است و دقت به‌دست‌آمده برای داده‌های اعتبارسنجی 40/84 % و آزمایش 82/72 % به‌دست آمده است همچنین نتایج حاصل از شبیه‌سازی برای 1240 داده برای اولین نوع معماری دو کلاسه زمان آموزش"44:′54:3 است و دقت به‌دست‌آمده برای داده‌های اعتبارسنجی 72/51 % و آزمایش 69/51 % به‌دست آمده است.
نتیجهگیری: پس از یک‌سری پیش‌پردازش‌های صورت گرفته تعداد تصاویرمورد استفاده 310 عدد انتخاب گردید.سپس دو نوع معماری دیگر طراحی گردید که با اعمال داده‌های پردازش شده، دقت حاصل از معماری‌ها برای 310 داده به ترتیب 39/42 %، 82/72 %، 34/79 % بدست آمد. دقت حاصل از معماری‌ها برای 1240 داده 69/51 %، 45/65 %، 46/ 72 % بدست آمد. در حالت سه کلاسه از 1318 تصویر موجود در پایگاه‌داده استفاده شد و به‌دلیل هم اندازه نبودن تصاویر، تغییر سایز صورت‌گرفت و سپس ماسک تصاویر بر روی تصاویر منطبق گردید و به شبکه عصبی کانولوشنی طراحی‌شده داده‌‌شدو دادهها به سه کلاس طبقه‌بندی گردید. با توجه به پیش‌پردازش و عملیاتی که انجام داده شده است، دقت شبکه افزایش یافته (39/72%) و نتیجه بهبود یافته است. مزیت روش دقت داده‌های اعتبارسنجی و داده‌های آزمایش افزایش‌یافته است.
روشکار: در این پژوهش، در حالت دو کلاسه سه نوع معماری و در حالت سه کلاسه یک نوع معماری طراحی گردید. برای طراحی شبکه، لایه‌ها با توجه به شکل5 چینش گردید که از یک لایه ورودی به اندازه 1×145×159 و یک لایه کانولوشنی دوبعدی به اندازه 8×20 و از یک لایه ادغام ماکسیمم با سایز2× 5 و از دو لایه تماما متصل استفاده شد (از لایه ادغام ماکسیمم به این دلیل استفاده شد که از حداکثر مقدار خوشه‌های نورونی لایه پیشین استفاده می‌کند و همچنین باعث همگرایی سریع‌تر، بهبود تعمیم‌دهی و انتخاب ویژگی‌های نامتغیر شود.) و مقداردهی وزن هر لایه به‌صورت تصادفی بوده است. سومین معماری شبکه طراحی شده نشان داده‌شده، به این صورت است که از یک لایه ورودی و سه لایه کانولوشنی دوبعدی و از سه لایه ادغام ماکسیمم و از دو لایه تماما متصل استفاده شده که سایز هر لایه در جدول (3) نشان داده شده است. لایه‌سازی برابر با یک است. زمان آموزش 6:37 است و دقت به‌دست‌آمده برای داده‌های اعتبارسنجی 58/92 % و آزمایش 5/86 % به‌دست آمده است.
یافتهها: نتایج حاصل از شبیه‌سازی برای 310 داده برای دومین نوع معماری دو کلاسه زمان آموزش"06:′6 است و دقت به‌دست‌آمده برای داده‌های اعتبارسنجی 40/84 % و آزمایش 82/72 % به‌دست آمده است همچنین نتایج حاصل از شبیه‌سازی برای 1240 داده برای اولین نوع معماری دو کلاسه زمان آموزش"44:′54:3 است و دقت به‌دست‌آمده برای داده‌های اعتبارسنجی 72/51 % و آزمایش 69/51 % به‌دست آمده است.
نتیجهگیری: پس از یک‌سری پیش‌پردازش‌های صورت گرفته تعداد تصاویرمورد استفاده 310 عدد انتخاب گردید.سپس دو نوع معماری دیگر طراحی گردید که با اعمال داده‌های پردازش شده، دقت حاصل از معماری‌ها برای 310 داده به ترتیب 39/42 %، 82/72 %، 34/79 % بدست آمد. دقت حاصل از معماری‌ها برای 1240 داده 69/51 %، 45/65 %، 46/ 72 % بدست آمد. در حالت سه کلاسه از 1318 تصویر موجود در پایگاه‌داده استفاده شد و به‌دلیل هم اندازه نبودن تصاویر، تغییر سایز صورت‌گرفت و سپس ماسک تصاویر بر روی تصاویر منطبق گردید و به شبکه عصبی کانولوشنی طراحی‌شده داده‌‌شدو دادهها به سه کلاس طبقه‌بندی گردید. با توجه به پیش‌پردازش و عملیاتی که انجام داده شده است، دقت شبکه افزایش یافته (39/72%) و نتیجه بهبود یافته است. مزیت روش دقت داده‌های اعتبارسنجی و داده‌های آزمایش افزایش‌یافته است.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مهندسی علوم
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
