سرطان سینه دومین علت عمده‌ی مرگ و میر ناشی از سرطان در زنان امروز است. تشخیص زودهنگام سرطان سینه یکی از مهم ترین عوامل در تعیین مراحل درمان برای زنان مبتلا به تومورهای بدخیم می باشد. تحقیقات نشان داده است که در بین روش‌های مختلف تصویربرداری پزشکی از جمله ماموگرافی، توموگرافی، سونوگرافی و غیره، تصویربرداری رزونانس مغناطیسی با کنتراست بهبودیافته، حساس ترین روش برای غربالگری زنان در معرض خطر بالا می باشد. امروزه سیستم‌های تشخیص به کمک کامپیوتر، برای کمک به رادیولوژیست‌ها و پزشکان در تشخیص زود هنگام سرطان، طراحی و استفاده می‌شوند.

از آنجا که تشخیص بیماری‌های سرطان و طبقه‌بندی آن‌ها وابسته به دانش و تجربه‌ی پزشک است، در این پژوهش سعی شده است تا با توجه به دقت و حساسیت بالای تصویربرداری DCE-MRI از یک سو و مدلسازی دانش و مهارت پزشکان از سوی دیگر، یک سیستم CAD بر اساس شبکه های عصبی کانولوشن سلسله مراتبی (CNN) برای ایجاد تمایز بین تومورهای بدخیم و خوش‌خیم در تصاویر DCE-MR سینه پیشنهاد گردد.

CNN یک شبکه‌ی سلسله مراتبی عصبی است که بر روی تصاویر دو بعدی اعمال می‌شود و فرآیندهای استخراج ویژگی و طبقه‌بندی را در یک ساختار واحد و کاملاً تطبیقی ادغام می‌کند. این ساختار می تواند ویژگی های دو بعدی ضروری و کلیدی را به صورت خودکار استخراج نموده و نسبت به اعوجاجات هندسی و محلی در تصاویر ورودی مقاوم است. بکارگیری شبکه‌ی عصبی کانولوشن و همچنین طراحی و استفاده از ساختار ترکیب خبره‌های کانولوشن(Mixture of CNN Experts) در تصاویر DCE-MR سینه جهت تشخیص نوع تومور، جزء نوآوری‌های این تحقیق به شمار می‌آیند. شبیه‌سازی شبکه‌ی عصبی کانولوشن پیشنهادی برای 1200 عدد ROI حاوی تومور خوش‌خیم و بدخیم، بهترین نتایج را در مرحله تست برای حساسیت 96/67%، برای خصوصیت 100% و برای صحت 98/33%، رقم زد.

مطلب مرتبط :

مدل‌سازی و شبیه‌سازی عددی پهباد با قیود غیرهولونومیک

سیستم پیشنهادی با استفاده از ساختار ترکیب خبره‌ها(ME)ی کانولوشن، توانست علی‌رغم کاهش زمان آموزش ساختار عصبی برای رسیدن به عملکردهای قابل قبول، از سویی به نرخ طبقه‌بندی 100% دست یابد. بر این اساس، نتیجه عملکرد طبقه‌بند ME کانولوشن پیشنهادی در مرحله تست برای حساسیت، خصوصیت و صحت برابر 100% شد.