26879

دسته بندي ضايعات در تصاوير تشديد مغناطيسي پستان با استفاده از يادگيري انتقالي و يادگيري گروهي

كارشناسي ارشد

مهندسي برق گرايش الكترونيك ديجيتال

1401

1401/02/31

دكتر شهريار برادران شكوهي

برق

تصاوير پزشكي از مهم ترين عناصر در دسترس پزشكان براي تشخيص وجود يا عدم وجود بيماري، تشخيص شدت بيماري و روند درمان هستند. پردازش اين تصاوير در علم پزشكي بسيار پر اهميت است زيرا مي تواند دقت تشخيص را بالاتر برده و به پزشك براي طراحي روند بهينه درمان كمك كند. با توجه به اينكه سرطان پستان يكي از بيماري هاي شايع در بين زنان و مخصوصاً زنان كشورهاي در حال توسعه است، لذا تشخيص زود هنگام و به موقع آن علاوه بر اين كه مي تواند ريسك مرگ را كاهش دهد، مي تواند از هزينه هاي تحميل شده به بيمار و جامعه نيز بكاهد. اكثر روش هاي مورد استفاده در حوزه پردازش تصاوير پزشكي، بر اساس استخراج ويژگي ها از روي تصاوير پزشكي به صورت دستي بوده و اين كار توسط افراد متخصص در پردازش تصاوير با صرف انرژي و زمان زياد انجام مي گيرد. اما در سال هاي اخير روش¬هاي جديدي مبتني بر يادگيري عميق ارائه شده كه به بهبود دقت در كاربردهاي پزشكي انجاميده است. مزيت بسيار مهم روش هاي مبتني بر يادگيري عميق از جمله شبكه هاي عصبي كانولوشني اين است كه در اين روش ها براي دسته بندي تصاوير پزشكي نيازي به استخراج ويژگي ها به صورت دستي نيست. هدف اين مطالعه كمك به پزشكان با دسته بندي تصاوير تشديد مغناطيسي با بهبود تقابل پويا پستان، از نظر درجه بندي بدخيمي تومورهاي پستان با توجه به سيستم ناتينگهام در سه كلاس درجه 1(پايين)، درجه 2(متوسط) و درجه 3(بالا) با هوش مصنوعي است و اين برتري نسبت به كارهاي مشابه كه تنها ضايعات را در دو كلاس خوش خيم و بدخيم دسته بندي مي كنند، وجود دارد. براي جلوگيري از بيش برازش شبكه ها به دليل كمبود داده هاي آموزشي برچسب خورده، روش يادگيري انتقالي، يعني استفاده از شبكه هاي عصبي كانولوشني از پيش آموزش داده شده روي مجموعه داده يImageNet ، براي 14 شبكه به كار برده مي شود. در ادامه به منظور افزايش دقت، در لايه آخر 7 شبكه تغييراتي اعمال كرده و به آن ها ماژول CBAM افزوده مي شود. دقت دسته بندي روي هر كدام از اين 21 شبكه گزارش مي شود و در نهايت با استفاده از يادگيري گروهي مدل هايي كه بهترين نتيجه را داشته اند، دقت 0/9243، صحت 0/9167، حساسيت 0/9167، سطح زير منحني مشخصه ي عملكرد سيستم 0/9512، معيار كاپاي 0/876 و نمره F1 برابر با 0/9167 بر روي پايگاه داده تصاوير تشديد مغناطيسي سرطان پستان DUKE بدست آمد.

1401/06/02

Tumor Classification in Breast Magnetic Resonance Images (MRI) Using Transfer Learning and Ensemble Learning

5/21/2023 12:00:00 AM

Breast Cancer is a highly aggressive type of cancer generally formed in the cells of the breast. Despite significant advances in the treatment of primary breast cancer in the last decade, there is a dire need to attempt of an accurate predictive model for breast cancer prognosis prediction. The aim of this study is to assist physicians in classifying Dynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI) in terms of grading malignancies of breast tumors according to the Nottingham system into three classes: grade 1 (low), grade 2 (medium) and grade 3 (High) with artificial intelligence, and this is superior to similar tasks, which only classify lesions into two classes, benign and malignant. To avoid overfitting the networks due to the lack of labeled training data, the transfer learning method, ie the use of pre-trained convolutional neural networks on the ImageNet dataset, is used for 14 networks. Then, in order to increase the accuracy, changes are made in the last layer of 7 networks and the CBAM module is added to them. The accuracy of classification is reported on each of these 21 networks, and finally, using ensemble learning of the models that had the best results, accuracy of 0.9243, precision of 0.9167, sensitivity of 0.9167, AUC of 0.9512, kappa score of 0.876 and F1 score of 0.9167 were obtained on the DUKE breast cancer MRI dataset.

دسته بندي ضايعات پستان , تصاوير تشديد مغناطيسي , يادگيري انتقالي , يادگيري گروهي

Breast Tumor Classification , Magnetic Resonance Imaging , Transfer Learning , Ensemble Learning

Nasrin Baniasadi

Dr. Shahriar B. Shokouhi