25835

تشخيص و طبقه‌بندي سرطان پستان از طريق يادگيري عميق و پردازش تصاوير هيستوپاتولوژي

كارشناسي ارشد

مهندسي برق- مدارهاي مجتمع الكترونيك

1397

1400/6/27

شهريار برادران شكوهي

مهندسي برق

از سرطان¬هاي با ميزان مرگ و مير فراوان به ويژه در ميان بانوان، سرطان پستان است. مطالعات نشان مي¬دهند كه پيشگيري از اين بيماري به دليل ناشناخته بودن عوامل آن به شدت دشوار است. از اين رو شناسايي و تشخيص زود هنگام يكي از عوامل مهم و اساسي در درمان اين بيماري است. شيوع سرطان پستان حدود يك سوم از تمامي سرطان‌هاي زنان را تشكيل مي‌دهد و شايع‌ترين علت مرگ و مير ناشي از سرطان در بين زنان در دنيا است. يكي از روش¬هاي تحليل بافت پستان، استفاده از شيوه تصويربرداري آسيب¬شناسي بافتي (هيستوپاتولوژي) است كه در اين زمينه تا به امروز روش¬هاي خودكار مختلفي براي تحليل وجود يا عدم وجود بيماري پيشنهاد شده است. شيوه¬هاي پيشين با مشكلاتي چون پيچيدگي محاسباتي، دقت كم طبقه¬بندي، عدم قطعيت و موارد مشابه روبه¬رو هستند و از اين رو طراحي يك روش كارآمد مبتني بر يادگيري خودكار ضروري به نظر مي¬رسد. از جمله روش¬هاي جديد پيشنهاد شده در زمينه تحليل خودكار تصاوير هيستوپاتولوژي، بكارگيري يادگيري عميق است كه توانايي مناسبي در زمينه تحليل تصاوير ايجاد كرده است. در اين پايان نامه يك ساختار عميق كانولوشني با پيچيدگي محاسباتي كم و دقت رضايت¬بخش در تصميم¬گيري پيشنهاد شده است كه توانسته است تا حد مطلوبي به دسته¬بندي وجود يا عدم وجود بيماري بپردازد. هرچند در ساختار پيشنهادي با ورود تصاوير نياز چنداني به پيش پردازش ندارند، اما از يك روش كارآمد در بهبود كنتراست استفاده شده و ناحيه هدف تصوير از ساير بخش¬ها تفكيك شده است. هفت مدل مختلف در مقايسه با روش پيشنهادي مورد آزمايش قرار گرفته و با پياده¬سازي روش پيشنهادي بر مجموعه داده-هاي BreakHis با چهار سطح بزرگ‌نمايي متفاوت، خروجي¬هاي قابل قبولي حاصل شده است. مصالحه¬اي ميان زمان صرف شده و نيز دقت بهينه در ساختارهاي پيشنهادي مدنظر قرار گرفته و توانسته¬ايم به دقتي بالاتر از 94% در دسته¬بندي دست پيدا كنيم. پياده¬سازي روش پيشنهادي در سطح گسترده كه خود داراي تعميم¬پذيري بالايي است، مي¬تواند زمينه براي تصميم¬گيري بهتر پاتولوژيست يا پزشك متخصص را ايجاد كند. در شيوه پيشنهادي عدم قطعيت مورد توجه قرار گرفته و مي¬تواند بر چالش¬هايي چون بيش‌برازش و مسئله كم شدن دقت طبقه¬بندي فائق آيد.

1400/10/18

Breast Cancer Detection and Classification from Histopathological Images Using Deep Learning

9/18/2022 12:00:00 AM

Breast cancer is one of the most common cancers especially among women. Studies show that prevention of breast cancer is extremely difficult due to the unknown causes. Therefore, early detection and diagnosis is one of the most important and fundamental factors in the treatment of breast cancer. The prevalence of breast cancer contains about one-third of all female cancers and is the most common cause of cancer death among women in the world. One method of breast cancer analysis is the use of histopathology imaging. To date, various automated methods have been proposed to analyze the presence or absence of breast cancer. the former methods had problems such as computational complexity, low classification accuracy, uncertainty and the like. therefore the need to design an efficient method based on automatic learning seems necessary. One of the new methods proposed in the field of automatic analysis of histopathological images is the use of deep learning, which has created a good ability in the field of image analysis. This dissertation proposes a deep canonization structure with low computational complexity and satisfactory decision-making accuracy that has been able to classify the presence or absence of disease to a desirable level. Although the proposed structure does not require much preprocessing with the input of images, but an efficient method is used to improve the contrast and the target area of the image is separated from other parts. 7 different models have been tested in comparison with the proposed method and by implementing the proposed method on the BreakHis data set with four different magnification levels, acceptable outputs have been obtained. Time-consuming compromises as well as optimal accuracy are considered in the proposed structures and we have been able to achieve an accuracy of more than 94% in the classification. Implementing the proposed method on a large scale, which itself has a high generalizability, can pave the way for better decisions of the pathologist or specialist. Uncertainty is considered in the proposed method and can overcome challenges such as overfitting and the problem of reduced classification accuracy.