دوره 10، شماره 3 - ( 9-1402 )
جلد 10 شماره 3 صفحات 268-260 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rezazadeh Tamrin H, Saniei E, Salehi Barough M. Breast Cancer Detection in Thermographic Images Using Hybrid Networks. jhbmi 2023; 10 (3) :260-268
URL: http://jhbmi.ir/article-1-786-fa.html
URL: http://jhbmi.ir/article-1-786-fa.html
رضازاده تمرین حانیه، صنیعی الهام، صالحی باروق مهدی. تشخیص هوشمند سرطان پستان از طریق شبکه‌های ترکیبی عمیق با استفاده از تصاویر ترموگرافی. مجله انفورماتیک سلامت و زیست پزشکی. 1402; 10 (3) :260-268
دکتری مهندسی هسته‌ای، استادیار، مرکز تحقیقات پرتو پزشکی، دانشگاه آزاد اسلامی واحد تهران مرکز، تهران، ایران
چکیده: (888 مشاهده)
مقدمه: سرطان پستان، شایع‌ترین سرطان بدخیم در زنان است و بیشتر از سایر سرطان‌ها باعث مرگ و میر آنان می‌شود. روش ترموگرافی یکی از روش‌های تشخیص سرطان پستان است. مهم‌ترین چالش در تشخیص زود هنگام از روی این تصاویر می‌تواند مربوط به خطای انسانی و یا عدم دسترسی به شخص ماهر باشد. استفاده از روش‌های هوش مصنوعی در پردازش تصاویر در تشخیص زودهنگام و کاهش خطای انسانی می‌تواند مؤثر باشد. هدف کلی این پژوهش معرفی شبکه‌های ترکیبی عمیق برای تشخیص هوشمند سرطان پستان از تصاویر ترموگرافی است.
روش: تصاویر ترموگرافی مورد استفاده در این پژوهش از پایگاه داده DMR-IR جمع‌آوری شده است. ابتدا ویژگی‌های اصلی تصاویر توسط شبکه پیچشی عمیق CNN استخراج گردید. سپس در ادامه از دو الگوریتم FCNNs و SVM برای کلاس‌بندی سرطان پستان از تصاویر ترموگرافی استفاده شد.
نتایج: نرخ دقت برای الگوریتمهای CNN_FC و CNN-SVM، به ترتیب 94/2%، 95/0% بود. علاوه بر این، پارامترهای قابلیت اطمینان هم برای این طبقه‌بندی‌کننده‌ها به ترتیب 92/1%، 97/5% و حساسیت برای هر یک از این طبقه‌بندی‌کننده‌ها به ترتیب 95/5%، 94/1% محاسبه شد.
نتیجه‌گیری: مدل پیشنهادی مبتنی بر شبکه ترکیبی عمیق دقت مناسبی نسبت به الگوریتمهای مشابه دارد؛ بنابراین می‌تواند پزشکان را در تشخیص زودهنگام سرطان پستان از طریق تصاویر ترموگرافی کمک نموده و خطای انسانی را به حداقل برساند.
روش: تصاویر ترموگرافی مورد استفاده در این پژوهش از پایگاه داده DMR-IR جمع‌آوری شده است. ابتدا ویژگی‌های اصلی تصاویر توسط شبکه پیچشی عمیق CNN استخراج گردید. سپس در ادامه از دو الگوریتم FCNNs و SVM برای کلاس‌بندی سرطان پستان از تصاویر ترموگرافی استفاده شد.
نتایج: نرخ دقت برای الگوریتمهای CNN_FC و CNN-SVM، به ترتیب 94/2%، 95/0% بود. علاوه بر این، پارامترهای قابلیت اطمینان هم برای این طبقه‌بندی‌کننده‌ها به ترتیب 92/1%، 97/5% و حساسیت برای هر یک از این طبقه‌بندی‌کننده‌ها به ترتیب 95/5%، 94/1% محاسبه شد.
نتیجه‌گیری: مدل پیشنهادی مبتنی بر شبکه ترکیبی عمیق دقت مناسبی نسبت به الگوریتمهای مشابه دارد؛ بنابراین می‌تواند پزشکان را در تشخیص زودهنگام سرطان پستان از طریق تصاویر ترموگرافی کمک نموده و خطای انسانی را به حداقل برساند.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
