19864

۱۹۸۶۴

شناسايي و دسته بندي ضايعات در تصاوير تشديد مغناطيسي پستان با استفاده از يادگيري عميق

كارشناسي ارشد

الكترونيك

۱۳۹۵

آذر ماه ۱۳۹۷

دكتر شهريار براردران شكوهي

برق

چكيده: سرطان پستان شايع‌ترين علت مرگ و مير در زنان مبتلا به سرطان است به طوري كه طبق آمار بدست آمده حتي در كشورهاي توسعه يافته نيز از هر ۸ نفر ۱ نفر به اين بيماري مبتلا مي‌شود، يكي از موثرترين راه هاي مبارزه با سرطان پستان، تشخيص آن در مراحل اوليه پيدايش است. با وجود اينكه تصاوير تشديد مغناطيسي به طور معمول يكي از روش هاي آشكار سازي سرطان سينه است، ولي در اكثر موارد، راديولوژيست ها به علت كيفيت ضعيف تصوير، خستگي چشم يا اشتباهات نظري ناهنجاري را به خوبي تشحيص نمي دهند. ازين رو تشخيص به كمك رايانه (CAD) ابزاري مفيد و موثر براي كمك به پزشكان در تشخيص زود هنگام سرطان سينه است. استفاده از سيستم شناسايي خودكار در كنار پزشك ميتواند درصد خطاي تشخيص را كاهش دهد و باعث كاهش تعداد بافت برداري هاي غير ضروري گردد. در اين پايان نامه تلاش كرديم تا با توجه به دقت و حساسيت بالاي تصويربرداري DCE-MRI از يك سو و مدلسازي دانش و مهارت پزشكان از سوي ديگر، يك سيستم CAD بر اساس ياد گيري عميق و تكنيك شبكه هاي عصبي كانولوشن (CNN ) براي ايجاد تمايز بين تومورهاي بدخيم و خوش‌خيم در تصاوير DCE-MR سينه پيشنهاد گردد. بكارگيري شبكه‌ي عصبي كانولوشن و همچنين طراحي و تركيب آن با ماشين بردار پشتيباني (SVM )در تصاوير DCE-MR سينه جهت تشخيص نوع تومور، جزء نوآوري‌هاي اين تحقيق به شمار مي‌آيند. شبيه ‌سازي شبكه‌ي عصبي كانولوشن پيشنهادي براي حدود 100 ROI حاوي تومور خوش‌خيم و بدخيم، بهترين نتايج را در مرحله تست براي حساسيت 75%، براي دقت 81.2% و براي صحت حدود 84%، رقم زد. همچنين نتايج حاكي از آن است كه بكار گيري CNN براي استخراج ويژگي بسيار موثر بوده است حتي در مقابل يكي از معضلات سيستم هاي تشخيص توده كه سايز متفاوت توده هاست، اين روش كارائي خود را نشان داده است و آناليز ROC مقدار سطح زير منحني0.83 AUC= را نشان ميدهد. واژه‌هاي كليدي: واژه‌هاي كليدي: تصاوير تشديد مغناطيسي پستان، دسته بندي تومور، جداسازي تومور، شبكه كانالوشن، دسته بندي SVM

1397/10/10

Breast lesion detection and classification in DCE-MRI based on deep learning

12/22/2018 12:00:00 AM

Breast cancer is considered as the second leading cause of cancer deaths among women in the United States. Early detection of cancer is crucial in order to reduce its negative effects. Recently, Magnetic Resonance Imaging (MRI) has become an important modality in the detection of breast cancer in daily practice. However, routine breast MRI has a moderate specificity that may increase its false positive rates. Therefore, automated detection techniques of malignancy can provide an important tool for clinicians. In this study, different data classification methods have been examined to classify breast tumors screened using contrast enhanced MRI. We present an analysis for using ConvNets as feature extractors,we used linear SVM as the final classifier. The proposed CNN model could provide an effective tool for radiologists to analyse breast DCE-MRI images. We present an analysis of strategies for exploiting the power of existing convolutional neural networks in different approach using ConvNets as feature extractors. Our system was assessed on our database of 70 DCE-MRI.The CNN model achieves an accuracy of 81.2%, a sensitivity of 75% and a specificity of 84%. Results point that fine tuning tends to be the best performing strategy. In fact, using the features from the fine-tuned ConvNet with linear SVM obtains the best results achieved results for the datasets used. Keywords: breast cancer, tomur classification, SVM classification, Convolutional Neural Networks