استفاده از مدل تركيبي UNET و VGG19 براي پردازش عميق بر روي تصاوير ماموگرافي سرطان سينه

Using UNET and VGG19 hybrid model for deep processing on breast cancer mammography images

سرطان سينه يكي از مسائل مهم بهداشت عمومي است و علت اصلي مرگ و مير ناشي از سرطان در ميان زنان در سراسر جهان محسوب مي شود. تشخيص زودهنگام آن مي تواند به طور موثر به افزايش كمك كند . بيوپسي معمولاً به عنوان يك رويكرد استاندارد طلايي دنبال مي شود كه در آن بافت ها براي تجزيه و تحليل ميكروسكوپي جمع آوري مي شوند اما با اين حال، تجزيه و تحليل هيستوپاتولوژيك سرطان پستان غير ضروري است و ممكن است منجر به درجه بالايي از اختلاف نظر در ميان آسيب شناسان شود. بنابراين، يك سيستم تشخيص خودكار مي تواند به آسيب شناسان كمك كند تا اثربخشي فرآيندهاي تشخيصي را بهبود بخشند. چارچوب پيشنهادي ما بر اساس نماي MLO و نماي CC براي بهبود عملكرد سيستم است. علاوه بر اين، فقدان داده هاي برچسب گذاري شده يك چالش بزرگ است. يادگيري انتقال و تقويت داده ها براي غلبه بر اين مشكل استفاده مي شود. براساس مجموعه داده ماموگرافي؛ MIAS در ارزيابي ما استفاده مي شود. روش پيشنهادي اعمال افزايش داده با مدل اصلاح‌شده U-Net و VGG(19) به نتيجه، با اين دقت98.35 ٪، به دست مي يابد.

Breast cancer is one of the main causes of death worldwide. Its early detection can effectively help to increase the speed of treatment. Sampling is usually used as a gold standard approach in which tissues are taken for analysis. Microscopy is collected, but the histopathological analysis of breast cancer is unnecessary, so an automatic detection system can help pathologists to improve the effectiveness of the diagnostic process. Our proposed framework is based on two standard mammography images, MLO and CC, which are used to improve The performance and diagnosis of the used system that the lack of labelled data is a big challenge that transfers learning and data reinforcement is used to overcome this problem. In the used method, the MIAS mammography data set is used. From the modified U-Net model and using the transfer learning method implemented on the VGG model (19), we were able to achieve 98.35% accuracy.