بررسي شبكه هاي عصبي كانولوشن عميق جهت تشخيص سرطان پستان در تصاوير ترموگرافي

The Investigation of Deep Convolutional Neural Network for Diagnosing Breast Cancer in Thermographic Images

زمينه و هدف: سيستم‌هاي تشخيص Computer-aided design به طور گسترده در تشخيص افتراقي سرطان سينه استفاده مي‌شوند. بنابراين بهبود دقت يك سيستم CAD به يكي از حوزه‌هاي مهم تحقيقاتي تبديل شده‌است. در اين مقاله به بررسي سيستم هاي CAD مبتني بر شبكه هاي عصبي عميق از نوع كانولوشن در جهت تشخيص سرطان پستان در تصاوير ترموگرافي پرداخته شد. روش بررسي: براي تحليل مدل‌ها از پايگاه داده “Database For Mastology Research” استفاده‌شده است. تعداد افراد موردبررسي 196نفر، كه شامل 41 مورد سرطاني و 155 مورد سالم بوده است. هر فرد داراي 10 تصوير ترموگرافي است. جمعاً تعداد تصاوير آناليز شده 1960 تصوير ترموگرافي مي‌باشد. طبقه بندي تصاوير حرارتي شامل سرطاني و سالم بر اساس 3 نوع شبكه عصبي كانولوشن عميق شامل google net،resnet18 و vgg16 انجام شده است. يافته‌ها: ميزان دقت و ويژگي نتايج به‌دست‌آمده با استفاده از مدل‌هاي شبكه‌هاي عصبي عميق از پيش آموزش داده‌شده google net، resnet18 و vgg16 به ترتيب برابر 85.03%-89.7%، 83.8%-91.9% و 85.03%-91.01% هست. مدل ارائه‌شده قادر است با مورفولوژي‌هاي متفاوت بافت پستان، پاسخ قابل‌توجهي ارائه دهد. نتيجه‌گيري: مدل شبكه عصبي مصنوعي عميق مي تواند به عنوان يك روش كارآمد و هوشمند براي تشخيص سرطان در تصاوير حرارتي خام بدون استخراج ويژگي به كار گرفته شود. با اين حال مطالعه و پژوهش هاي بيشتري براي طراحي مدل هاي ديگر از شبكه هاي عصبي مصنوعي بر اساس يادگيري عميق جهت تشخيص بدخيم يا خوش خيم بودن سرطان در تصاوير حرارتي نياز است.

Background and Objectives: Computer-aided design diagnostic systems are widely used in the differential diagnosis of breast cancer. Therefore, improving the accuracy of a CAD system has become an important field of research. In this paper, we investigated CAD systems based on deep neural networks of convolution type to detect breast cancer in thermographic images. Materials and Methods: For analyzing the proposed model, the DMR database has been used. The number of the participants examined were 196, including 41 cases of cancer and 155 healthy subjects. Each person had 10 images of thermography. The total number of the analyzed images included 1960 images of thermography. The classification of thermal images including cancerous and healthy images is based on three types of deep convolution neural networks including google net, resnet18 and vgg16. Results: The accuracy and specificity of the results using a neural network models of deep pre-training on google-net, resnet18 and vgg16 is 85.03%-89.7%, 83.8% -91.9% and 85.03% -91,01% respectively. The proposed model is capable of providing a significant response to the different breast tissue morphologies. Conclusion: The model of deep artificial neural network can be used as an efficient and intelligent way to detect cancer in original thermal images without extracting features. However, more studies are needed to design other models of artificial neural networks based on deep learning to detect malignant or benign cancer in thermal imagery.