استفاده از شبكه‌هاي عصبي يادگيري عميق در تشخيص درجه بدخيمي سرطان پروستات و تشخيص سرطان سينه

Detection of Malignancy Degree in Prostate and Breast Cancers by Using Deep Neural Network

مقدمه در سال­هاي اخير علاقه به پژوهش در زمينه به ­كارگيري الگوريتم ­هاي هوشمند در تشخيص و طبقه­بندي بيماري­ها به ويژه سرطان، به شدت افزايش يافته است. طبقه ­بندي تومور يك كار مهم در تشخيص پزشكي محسوب مي­شود. روش­هاي محاسبات نرم­افزاري به دليل عملكرد طبقه‌بندي آنها در تشخيص بيماري­هاي پزشكي اهميت زيادي دارند. تشخيص و طبقه­ بندي تصاوير پزشكي يك كار چالش برانگيز است. روش كار براي تشخيص درجه بدخيمي سرطان پروستات و خوش­ خيم يا بد­خيم بودن سرطان سينه از طبقه­بندي كننده شبكه عصبي عميق به كمك فريمورك تنسورفلو و بهره ­گيري از كتابخانه كراس استفاده شده است. در مرحله آموزش، تصاوير آموزشي به همراه كلاس خروجي آن براي شبكه در نظر گرفته مي­شود. حين آموزش وزن­هاي فيلتر در هر تكرار به­روز مي ­شوند. به­ نحوي كه بعد از چندين تكرار وزن‌هاي بهينه به­روز مي ­شوند و شبكه آموزش مي ­بيند تا بهترين ويژگي را از تصاوير استخراج كند. نتايج روش پيشنهادي در اين تحقيق كه بر پايه شبكه هاي عصبي عميق است، با توجه به استخراج ويژگي هاي موثرتر و دقيق تر، دقت تشخيص 95/83 %و 99/5 %به ترتيب در سرطان سينه و سرطان پروستات را فراهم مي آورد كه نسبت به روش هاي موجود باعث افزايش بيش از 7% در دقت تشخيص گرديده است. نتيجه­ گيري سرطان يكي از شايع­ترين بيماري­هاي پيش­رونده در جهان است. سرطان در سلول­ها آغاز مي­ شود كه پايه ­هاي ساختماني اوليه هستند كه بافت را تشكيل مي­دهند. يكي از چالش­هاي موجود در تكنيك­هاي تشخيص تصاوير پزشكي، مشكل در تجزيه و تحليل بافت­هاي متراكم است. با توجه به اينكه تشخيص توسط انسان زمان­بر و داراي احتمال خطاي بيشتري است، محققان در تلاش بوده ­اند تا با الگوريتم ­هاي مختلف تشخيص را به صورت اتوماتيك انجام دهند.

Introduction: In recent years, interest in research into the application of intelligent algorithms for diagnosis and categorization of diseases, especially cancer has increased dramatically. Tumor classification is an important task in medical diagnosis. Technological calculations are important due to their classification function in diagnosis of medical illnesses. Diagnosing and classifying medical images is a challenging task. Materials and Methods: To detect the malignancy of prostate cancer and the opioid or malignant breast cancer, deep neural network classifier, which is based on Tensor flow framework and Keras library, is used. In the training phase, educational images are considered along with the output class for the network. During training, the weight of the filter is updated every time. However, after several replications, optimal weights are updated and the network is trained to extract the best feature from the images. Results: In this research, the proposed method due to using deep neural network and accurate feature extraction provides detection accuracy about 95.83% and 99.5% for breast and prostate cancers, respectively, which is more than 7% compared to other methods. Conclusion: Cancer is one of the most prevalent diseases in the world. Cancer is started from the cells, which are the basic building blocks making the tissue. One of the challenges in medical diagnostic techniques is the difficulty in analyzing dense tissues. Since the detection of the diagnosis by human is time-consuming and has a higher probability of error, the researchers have been trying to detect it automatically by using different algorithms.