26449

استخراج خودكار محل ضايعه پستان در تصاوير سونوگرافي پستان به كمك شبكه هاي عصبي عميق

كارشناسي ارشد

مهندسي پزشكي- بيوالكتريك

1397

1400/11/3

دكتر حميذ بهنام

برق

امروزه انواع سرطان خصوصا سرطان پستان به يكي از مهمترين علل مرگ و مير در جهان بدل شده است و تشخيص درست و زودهنگام و در پي آن درمان به موقع يكي از موثرترين راه هاي كاهش مرگ و مير ناشي از آن است. در چند سال اخير، تشخيص به كمك رايانه بر مبناي يادگيري عميق با كمك انواع شبكه هاي عصبي مصنوعي براي بهبود كيفيت، سرعت و دقت تشخيص ها، مورد توجه محققان در سراسر دنيا قرار گرفته است. ما در اين مطالعه تلاش كرديم روشي ارائه دهيم تا بتواند ضايعه ي پستان را از روي تصاوير اولتراسوند بيايد و علاوه بر آن خوش خيمي يا بد خيمي تومور را مشخص نمايد. ما از يادگيري عميق و شبكه هاي عصبي كانولوشني و شبكه هاي تشخيص اشياء استفاده كرديم و مشخصا الگوريتم تشخيص اشياء يولو نسخه پنجم را به كار گرفته و كارايي آن را بررسي كرديم. در پايان مطالعه، مدل ما با ضريب اطمينان 0.42 براي شناسايي تومور هاي خوش خيم، دقتي حدوداً برابر با 90 درصد و فراخواني برابر با 60 درصد ارائه داد اما طبق نتايج، اين ارقام در نمودار مربوط به تومور هاي بدخيم ناچيز بودند و نشان دادند سيستم براي شناسايي تومور هاي بدخيم مناسب عمل نكرد كه اين موضوع از ماهيت مورفولوژيكي و بافتي تومور هاي بدخيم و نحوه ظاهر شدن آن در تصاوير سونوگرافي منشاء ميگيرد. علل و روش هاي پيشنهادي براي حل اين مساله در فصل آخر به تفصيل آورده شده اند.

1401/02/18

Automatic extraction of breast tumor in ultrasound images by deep neural networks

1/23/2023 12:00:00 AM

Today, cancers, especially breast cancer, have become one of the most important causes of death worldwide. A valid, correct and early diagnosis is one of the most effective ways to reduce the mortality rate due to this problem. In recent years, computer-aided diagnosis based on deep learning with the help of various types of artificial neural networks has attracted the attention of researchers all around the world, which helps to improve the quality, speed, and accuracy of diagnoses. In this study, we used deep learning, convolutional neural networks, and object detection networks to detect breast lesions through ultrasound images and also to determine the benignancy or the malignancy of tumor. the 5th version of the Yolo Object detection algorithm was used in order to achieve this goal and its efficiency was studied. At the end of the study, our model demonstrated an accuracy of approximately 90% and a recall of 60% for detecting benign tumors with a prediction score of 0.42, but the results were insignificant for the malignant tumors and showed that the system could not work well to identify malignant tumors, these results could be caused from the morphological and histological nature of malignant tumors and how they appear on ultrasound images. The proposed reasons and methods for solving this problem are described in the last chapter.

تشخيص به كمك رايانه , يادگيري عميق , شبكه هاي عصبي كانولوشني , سرطان پستان , تشخيص اتوماتيكROI , الگوريتم تشخيص اشياء , يولو , شناسايي تومور سينه

Computer aided diagnosis , deep learning , convolutional neural networks , breast cancer , automated ROI detection , object detection , YOLO , breast tumor detection

Boshra sadat shams dolatabadi

Dr. Hamid behnam