دانلود رایگان مقاله سیستم تشخیص کامپیوتری برای شناسایی سرطان پستان با استفاده از شبکه های عصبی
چکیده
تشخیص کامپیوتری برای سرطان پستان حالا بیش از پیش مورد توجه قرار گرفته است که این موضوع به دلیل افزایش اجرای تصویر برداری های ماموگرام می باشد. به صورت خاص، تشخیص و دسته بندی کردن جرم های موجود در تصویر های ماموگرام اهمیت بسیار زیادی دارند. به همین دلیل، مطالعه های زیادی در این زمینه انجام شده است و تکنیک های مختفی نیز ارائه شده است. این مقاله یک شبکه عصبی پیچه ای (CNN) را برای شناسایی خودکار سرطان پستان با استفاده از داده های بخش بندی شده از دیتابیس دیجیتال برای پویش ماموگرافی ها (DDSM) ارائه می کند. ما یک شبکه با معماری CNN را ایجاد کردیم که دیگر ویژگی های دستی متداول را استخراج نمی کند بلکه استخراج ویژگی ها و دسته بندی آن ها را به صورت همزمان در قالب شبکه های عصبی انجام می دهد. ازین رو این روش می تواند یک تشخیص خودکار را بدون مدیریت کاربر، ارائه کند. روش ارائه شده ، نرخ دسته بندی بهتری را فراهم می کند که این موضوع باعث می شود تشخیص های بسیار بهتری ایجاد شود.
1. مقدمه
سرطان به صورت عمومی به معنی یک تومور مرتبط با تکثیر بی قاعده و بی نهایت از سلول هایی است که از نظر ژنتیکی تغییر یافته اند. این تکثیر مبدا تخریب بافت های مبنا و توسعه تومور می باشد. در این مورد، ارگانیسم ها نمی توانند این تومور را کنترل کنند. تکثیر شدن سلول های تومور در یک محل شامل یک تومور بدخیم و یا سرطان می باشد. منتشر شدن سلول های سرطانی از تومور محلی به دیگر قسمت های بدن، با نام متاستاز شناخته می شود. به صورت خاص، سرطان پستان یکی از رایج ترین دلایل مرگ در میان زنان در سراسر جهان می باشد.
سرطان پستان یکی از رایج ترین سرطان ها در حوزه سلامت عمومی می باشد و تقریبا هر یک زن از میان ده زن ، در طول زندگی خودش دچار این بیماری می شود. اما، کاهش نرخ مرگ در اثر این نوع از سطران همراه با توسعه احتمال بازیابی، تنها در صورتی ممکن است که این موتور در اولین فاز های رشد خودش شناسایی شده و درمان شود. در نتیجه برای تضمین شناسایی اولیه این تومور ها، رادیولوژیست ها تکرار ماموگرافی ها را افزایش داده اند که این موضوع به خصوص برای گروه سنی که سرطان بیشتری در آن ها وجود داشته، رخ داده است. به علاوه، هر سال، بخش زیادی از تصویر های ماموگرافی باید تحلیل شوند که این موضوع نیازمند کار و زمان بسیار زیادی می باشد و رادیولوژیست های مختلف باید با یکدیگر کار کنند تا بتوانند تصمیم گیری های مناسبی داشته باشند. به همین دلیل، مطالعه های تحقیقاتی مختلفی در این زمینه انجام شده است که باعث خودکار شدن بررسی ماموگرافی ها و تصمیم گیری شده است.
اولین کار بر روی سیستم های تصویر برداری خودکار ماموگرافی به هدف ارائه یک تفسیر ثانویه برای رادیولوژیست ها ارائه شده است که باعث می شود آن ها در زمینه شناسایی و یا تشخیص تومور های بدخیم در مرحله اول، فارغ از حجم و یا دسته بندی های جزیی، راحت تر کار کنند. این روش ها با نام سیستم های تشخیص و یا دسته بندی با کمک کامپیوتر (CAD) شناخته می شوند.
هدف اصلی این سیستم های خودکار ارائه کردن صحت شناسایی می باشد. در واقع، CAD به عنوان یک نظر ثانویه توسط پزشک مورد استفاده قرار می گیرد که به منظور رسیدن به تشخیص نهایی مفید می باشد که این کار می تواند باعث کاهش خطای انسانی شده و ازین رو، یک پویش یکپارچه در مقیاس بزرگ با قیمت مناسب ایجاد کند.
کامپیوتر ها زمانی که تمرین مناسب دریافت کننده می توانند دسته بندی های سریع تری را ارائه دهند در نتیجه این موضوع به پزشک ها در زمینه دسته بندی زمان واقعی، کمک می کند. یادگیری ماشینی برای تشخیص سرطان پستان، در سال های گذشته توسعه زیادی داشته است.
یادگیری عمقی یکی از رشته های یادگیری ماشینی می باشد که میتوان از آن برای مشکلات زیادی مانند دسته بندی تصاویر، تشخیص صدا، و پردازش زبان طبیعی، از آن استفاده کرد. شبکه های عصبی پیچه ای (CNN ها)، به صورت گسترده مورد استفاده قرار گرفته اند که نشان دهنده معماری های عمقی یادگیری می باشند و نتایج خوبی برای کاربرد های شناسایی تصاویر مانند پردازش تصاویر پزشکی داشته اند. CNN ها از قبل در دهه 1970 نیز مورد استفاده قرار گرفتهاند و نشان داده اند می توان از این روش ها برای کاربرد های دشوار مانند شناسایی کاراکتر در دست خط نیز استفاده کرد و از آن زمان، نرخ شناسایی این روش ها برای محاسبات، بسیار بیشتری شده است.
CNN ها یک تکامل بسیار خوب و کیفی فنی داشته اند و می توان از آن ها برای وظایف پیچیده شناسایی تصاویر مانند چالش های ImageNet سالانه نیز استفاده کرد.
مهم ترین کاربرد سیستم های تشخیص کامپیوتری به صورت زیر تعریف می شود: دسته بندی، استخراج ویژگی و دسته بندی که گام های اولیه در این فرایند برای به دست آوردن نتیجه نهایی می باشد.
Abstract
The computer-aided diagnosis for breast cancer is coming more and more sought due to the exponential increase of performing mammograms. Particularly, diagnosis and classification of the mammary masses are of significant importance today. For this reason, numerous studies have been carried out in this field and many techniques have been suggested. This paper proposes a convolutional neural network (CNN) approach for automatic detection of breast cancer using the segmented data from digital database for screening mammography (DDSM). We develop a network with CNN architecture that avoids the extracting traditional handcrafted feature phase by processing the extraction of features and classification at one time within the same network of neurons. Therefore, it provides an automatic diagnosis without the user admission. The proposed method offers better classification rates, which allows a more secure diagnosis of breast cancer.
1 Introduction
Cancer in general is a tumor related to the anarchic and indefinite proliferation of genetically modified cells. This proliferation is at the origin of the destruction of the base tissue and the extension of the tumor. In this case, the organism is not able to put it under control. The multiplication of tumor cells in one place constitutes a malignant tumor or cancer. The propagation of cancer cells from the local tumor to other parts of the corps is a metastasis. In particular, breast cancer is the most repeated cause of death among women worldwide.
Breast cancer is among the most frequent and grievous cancers in the domain of public health, or so one in ten women is touched by this sickness during their lifetime [1]. However, the reduction of the mortality rate caused by this type of cancer as well as the promotion of the chances of recovery is possible only if the tumor has been taken care of in the first time its appearance. So as to ensure the early detection of such a tumor, radiologists have been led to increase the frequency of mammography, especially for the age group most concerned. In addition, each year, a large volume of mammography images must be analyzed, which requires intense work, a huge amount of time, and several interventions of different radiologists in order to help one another in decision-making. For it, several research studies have been directed toward the automation of mammography reading and decision-making [2].
The first work on automated mammography imaging systems is aimed at providing a second interpretation to radiologists to help them detect/diagnose at an early-stage malignant lesion regardless of their mass or microcalcifications. They are termed the computer-aided detection/diagnosis (CAD) systems.
The main purpose of automated system is to improve the diagnosis accuracy. In fact, CAD is used as a second opinion by the physicians to get the final diagnosis [3, 4], which can decrease human errors, and therefore to provide a uniform screening on a large scale and a better price.
The computers once trained can get much faster classifications, so this helps doctors in real-time classification. Machine learning for breast cancer diagnosis has achieved great development in recent years [5].
Deep learning is a branch of machine learning and can be applied to many problems such as image classification, voice recognition, and natural language processing. Convolutional neural networks (CNNs) are widespread, representing deep learning architectures, have encouraging results for image recognition applications, including medical imaging. CNNs were already used in the 1970s [6], have demonstrated an impressive record for difficult applications such as handwritten character recognition [7], and have improved the recognition rate for better computing approaches [8].
CNNs have demonstrated a qualitative and supreme evolution of technology to perform many complex image classification tasks, like the annual ImageNet challenges [9, 10].
The main functions of a computer-aided diagnosis system are defined as follows: segmentation, feature extraction, and classification which is the basic step in this process in order to obtain an end result.
چکیده
1. مقدمه
2. کارهای مرتبط
3. روش پیشنهاد شده
3.1 دسته بندی
3.2 معماری CNN و تشخیص آن
3.3 تمرین
4. نتایج
5. مباحث و جمع بندی
منابع
Abstract
1 Introduction
2 Related Work
3 Proposed Method
3.1 Segmentation
3.2 CNN Architecture and Conception
3.3 Training
4 Results
5 Discussion and Conclusion
References