جداسازي هسته سلول سرطاني در تصاوير هيستوپاتولوژي سرطان سينه و ناحيه ضايعه در تصاوير سرطان پوست با استفاده از شبكه‌هاي عصبي كانولوشن

Segmentation of cancer cell in histopathologic images of breast cancer and lesion area in skin cancer images using convolutional neural networks

زمينه: تجزيه و تحليل آسيب شناختي نقش مهمي را در تشخيص، پيش‌بيني و برنامه‌ريزي درماني براي سرطان ايفا مي­ كند. با استفاده از آسيب‌شناسي ديجيتال، يعني اسكن و ذخيره ديجيتال بخش­ هاي بافت بيمار، در حال حاضر مي‌توان ابزارهايي براي تجزيه و تحليل خودكار اين تصاوير پيچيده ايجاد كرد. پزشكان با استفاده از سيستم تشخيص كامپيوتري از يك دستيار هوشمند براي تشخيص دقيق بهره مي‌گيرند. اين سيستم ­ها مزاياي گسترده ­اي در بهبود اثر بخشي درمان را دارا مي ­باشند. روش‌كار: در اين پژوهش از طبقه ­بندي كننده شبكه عصبي عميق به كمك فريمورك تنسورفلو و بهره­ گيري از كتابخانه كراس استفاده شده است. تصاوير ورودي در ابتدا از يك فيلتر پايين گذر به منظور كاهش اثرات نويزي عبور داده مي­ شوند. سپس تصاوير پيش پردازش شده به يك شبكه عصبي كانولوشن وارد مي ­شوند. يافته‌ها: نتايج پژوهش تفاوت معني‌داري در مقادير دقت بين روش‌هاي مختلف با روش پيشنهادي را آشكار مي‌نمايد كه در بعضي از موارد نشان دهنده افزايش بيش از 18/4 درصد در دقت تشخيص گرديده است. از ديگر مزاياي روش پيشنهادي فراهم آوردن حساسيت بالا در تصاوير هيستوپاتولوژي مي‌باشد كه بين 12تا 18 درصد افزايش را در مقايسه با ساير پژوهش‌ها نشان مي‌دهد. علت اين برتري استخراج ويژگي‌هاي سطح بالا توسط شبكه ­هاي عصبي كانولوشن بوده كه با كاهش اندازه بردار ويژگي همراه مي­ باشد. نتيجه‌گيري: نتايج حاصل نشان دهنده دقت 98/6 درصد براي تصاوير سرطان پوست و دقت96/1 درصد براي تصاوير هيستوپاتولوژي سرطان سينه است كه در مقايسه با نتايج ساير پژوهش‌ها سيستم پيشنهادي نتايج اميدوار كننده‌اي را ارائه مي ­دهد.

Background: Pathological analysis plays an important role in the diagnosis, prediction and planning of cancer treatment. Using digital pathology, ie, scanning and storing digital parts of patient tissue, tools for analyzing these complex images now can be developed. Doctors use a computer diagnostic system from an intelligent assistant to accurately diagnose. These systems have great benefits in improving treatment efficacy. Methods: In this study, the deep neural network classifier has been used with the help of the Tensor Flow framework and the use of the Keras-library. Input images are initially transmitted from a low pass filter to reduce noise effects. The pre-processed images are then imported into a convolutional neural network. Results: The results of the research reveal a significant difference in the accuracy values between different methods with the proposed method, which in some cases indicates an increase of more than 14.18% in the accuracy of the diagnosis. Another advantage of the proposed method is to provide high sensitivity to histopathologic images, which shows an increase of 12 to 18 percent compared to other studies. The reason for this is the excellence of extracting high-level features through convolutional neural network, which is accompanied by a reduction in the size of the feature vector. Conclusion: The results showed a accuracy of %98.6 for skin lesions and %96.1 accuracy for breast cancer histopathologic findings, which offers promising results compared to the results of other studies.