|
|
مجله انفورماتیک سلامت و زیست پزشکی، جلد ۱۰، شماره ۳، صفحات ۲۶۰-۲۶۸
|
|
|
| عنوان فارسی |
تشخیص هوشمند سرطان پستان از طریق شبکه‌های ترکیبی عمیق با استفاده از تصاویر ترموگرافی |
|
| چکیده فارسی مقاله |
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.
|
|
| کلیدواژه‌های فارسی مقاله |
تشخیص، سرطان پستان، یادگیری عمیق، شبکه عصبی کانولوشنی، ترموگرافی |
|
| عنوان انگلیسی |
Breast Cancer Detection in Thermographic Images Using Hybrid Networks |
|
| چکیده انگلیسی مقاله |
Introduction: Breast cancer is the most common cancer in women that causes more deaths than other cancers. Thermography is one of the methods of breast cancer diagnosis. The most important challenge in early detection of these images can be human error or lack of access to a skilled person. The use of artificial intelligence methods in image processing can be effective in early detection and reduction of human error. The main aim of this research was to introduce hybrid networks for intelligent diagnosis of breast cancer from thermographic images.
Method: The thermographic images used in this study were collected from the DMR-IR database. First, the main features of the images were extracted by deep convolutional network (CNN). Then, FCNNs and SVM algorithms were used to classify breast cancer from thermographic images.
Results: The accuracy rate for CNN_FC and CNN-SVM algorithms was 94.2% and 0.95%, respectively. In addition, the reliability parameters for these classifiers were calculated as 92.1%, and 97.5%, and the sensitivity for each of these classifiers as 95.5%, and 94.1%, respectively.
Conclusion: The proposed model based on the deep hybrid network has good accuracy compared to similar algorithms; therefore, it can help doctors in the early diagnosis of breast cancer through thermographic images and minimize human error. |
|
| کلیدواژه‌های انگلیسی مقاله |
Diagnosis, Breast Cancer, Deep Learning, Convolutional Neural Network, Thermography |
|
| نویسندگان مقاله |
حانیه رضازاده تمرین | Hanieh Rezazadeh Tamrin
Master of Nuclear Engineering, Medical Radiation Research Center, Central Tehran Branch Islamic Azad University, Tehran, Iran
کارشناسی ارشد مهندسی هسته‌ای، مرکز تحقیقات پرتو پزشکی، دانشگاه آزاد اسلامی واحد تهران مرکز، تهران، ایران
الهام صنیعی | Elham Saniei
Ph.D. in Nuclear Engineering, Assistant Professor, Medical Radiation Research Center, Central Tehran Branch Islamic Azad University, Tehran, Iran
دکتری مهندسی هسته‌ای، استادیار، مرکز تحقیقات پرتو پزشکی، دانشگاه آزاد اسلامی واحد تهران مرکز، تهران، ایران
مهدی صالحی باروق | Mehdi Salehi Barough
Ph.D. in Nuclear Engineering, Assistant Professor, Medical Radiation Research Center, Central Tehran Branch Islamic Azad University, Tehran, Iran
دکتری مهندسی هسته‌ای، استادیار، مرکز تحقیقات پرتو پزشکی، دانشگاه آزاد اسلامی واحد تهران مرکز، تهران، ایران
|
|
| نشانی اینترنتی |
http://jhbmi.ir/browse.php?a_code=A-10-1018-1&slc_lang=fa&sid=1 |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
هوش مصنوعی در حوزه سلامت |
| نوع مقاله منتشر شده |
پژوهشی اصیل |
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|