مروري بر سيستم‌هاي يادگيري عميق كمك‌يار ماموگرافي: مقاله مروري

سرطان پستان يكي از شايع‌ترين سرطان‌ها در زنان است. ماموگرافي غربال‌گري يك روش تصويربرداري اشعه ايكس با دوز پايين است كه براي تشخيص سرطان پستان در مراحل اوليه به‌كار مي‌رود. براي كمك به راديولوژيست در خواندن ماموگرام سيستم‌هاي كمك‌يار (CAD) ساخته شده‌اند كه نرم‌افزارهايي هستند كه مي‌توانند نواحي سرطاني را در ماموگرام تشخيص دهند. با پيشرفت‌هاي نرم‌افزاري و سخت‌افزاري اخير كه منجر به تكامل الگوريتم‌هاي يادگيري عميق (DL) گرديده، انقلابي در رشته‌هاي مختلف مهندسي و همچنين فناوري‌هاي پزشكي به‌وجود آمده است. اخيرا، مدل‌هاي DL در سيستم‌هاي كمك‌يار ماموگرافي مورد استفاده قرار گرفته‌اند و به عملكرد بالايي دست پيدا كرده‌اند. روش‌هاي DL برخلاف روش‌هاي سنتي يادگيري ماشين، نيازي به فرايند مشكل و زمان‌بر مهندسي ويژگي‌ها ندارند و مي‌توانند به‌طور خودكار، ويژگي‌هاي مورد نياز را از روي تصوير ياد گرفته و استخراج كنند. يكي از پركاربردترين الگوريتم‌هاي DL، شبكه عصبي كانولوشنال (CNN) مي‌باشد. براي تشخيص ضايعات سرطاني در ماموگرام، CNN بايد در يك الگوريتم مبتني بر ناحيه مانند RCNN، Fast RCNN، Faster RCNN و YOLO به‌كار گرفته شود. براي آموزش مدل‌هاي DL، نياز به حجم زيادي از تصاوير ماموگرافي است كه ضايعات سرطاني در آن‌ها توسط يك راديولوژيست مجرب، مشخص شده باشند. به همين دليل، تهيه و جمع‌آوري يك مجموعه داده بزرگ ماموگرافي مارك شده، براي ساخت يك سيستم كمك‌يار با دقت بالا، ضروري مي‌باشد. اين مقاله با هدف گردآوري وضعيت بهره‌مندي و پيشرفت‌هاي تكنولوژي يادگيري عميق در سيستم‌هاي كمك‌يار ماموگرافي نوشته شده است.