طبقه‌بندي و تشخيص درجه‌ي بدخيمي سرطان پروستات با استفاده از تركيب ويژگي‌هاي عميق و ويژگي‌هاي آماري بافت تصاوير پاتولوژي

سرطان پروستات، به عنوان يكي از مهم­ترين بيماري­هاي مردان به شمار مي‌رود. تشخيص زودهنگام و به موقع اين بيماري و درجه­ي پيش‌رفت آن، به روند درمان و جلوگيري از سرايت بيماري به ساير بافت­ها، كمك شاياني مي­كند. به منظور تعيين درجه­ي بيماري، از بافت نمونه‌برداري شده و با بررسي ساختار پاتولوژي، نوع درجه تعيين مي­گردد. در جديدترين دسته‌بندي، بافت پروستات به پنج درجه تقسيم­بندي مي‌شود كه درجه­ي يك، خوش­خيم­ترين حالت و درجه­ي پنج، نشان­دهنده­ي وخيم­ترين حالت بيماري مي‌باشد. با توجه به زمان­بر بودن طبقه‌بندي توسط انسان و رشد فناوري هوش مصنوعي، اخيرا اين طبقه­بندي­ها توسط الگوريتم­هاي هوشمند مختلفي انجام مي­شود. اگر چه امروزه روش­هاي قدرت­مندي به منظور توصيف و طبقه­بندي تصاوير، ابداع شده، اما وجود فاصله­ي معناداري ميان ادراك بينايي انسان و ويژگي­هاي سطح پايين استخراج شده توسط الگوريتم­ها، مهم­ترين چالش در راه دست­يابي به دقت مطلوب به شمار مي­رود. در اين مقاله، با تركيب ويژگي­هاي آماري بافت تصوير و ويژگي­هاي عميق استخراج شده توسط شبكه­ي عصبي كانولوشن عميق، روش جديدي ارائه شده است كه در آن، استفاده از شبكه‌ي عصبي كانولوشن عميق، باعث به دست آمدن ويژگي­هاي سطح بالا و عميقي از تصاوير پاتولوژي شده و با تركيب اين ويژگي‌ها با ويژگي­هاي آماري بافت، دقت طبقه‌بندي افزايش يافته است. به منظور ارزيابي روش پيشنهادي، اين روش روي پايگاه داده­ي جامعه­ي بين­المللي آسيب‌شناسي اورولوژي، اعمال شده است. نتايج به دست آمده نشان ­مي­دهد كه روش پيشنهادي، به دقت بيش‌تري نسبت به ساير روش­هاي مرسوم براي طبقه‌بندي تصاوير پاتولوژي دست يافته است.