فهرست نشریات علمی دسترسی آزاد ایران

چکیده زمینه و هدف: سیستم‌های تشخیص Computer-aided design به طور گسترده در تشخیص افتراقی سرطان سینه استفاده می‌شوند. بنابراین بهبود دقت یک سیستم CAD به یکی از حوزه‌های مهم تحقیقاتی تبدیل شده‌است. در این مقاله به بررسی سیستم های CAD مبتنی بر شبکه های عصبی عمیق از نوع کانولوشن در جهت تشخیص سرطان پستان در تصاویر ترموگرافی پرداخته شد. روش بررسی: برای تحلیل مدل‌ها از پایگاه داده “Database For Mastology Research” استفاده‌شده است. تعداد افراد موردبررسی 196نفر، که شامل 41 مورد سرطانی و 155 مورد سالم بوده است. هر فرد دارای 10 تصویر ترموگرافی است. جمعاً تعداد تصاویر آنالیز شده 1960 تصویر ترموگرافی می‌باشد. طبقه بندی تصاویر حرارتی شامل سرطانی و سالم بر اساس 3 نوع شبکه عصبی کانولوشن عمیق شامل google net،resnet18 و vgg16 انجام شده است. یافته‌ها: میزان دقت و ویژگی نتایج به‌دست‌آمده با استفاده از مدل‌های شبکه‌های عصبی عمیق از پیش آموزش داده‌شده google net، resnet18 و vgg16 به ترتیب برابر 85.03%-89.7%، 83.8%-91.9% و 85.03%-91.01% هست. مدل ارائه‌شده قادر است با مورفولوژی‌های متفاوت بافت پستان، پاسخ قابل‌توجهی ارائه دهد. نتیجه‌گیری: مدل شبکه عصبی مصنوعی عمیق می تواند به عنوان یک روش کارآمد و هوشمند برای تشخیص سرطان در تصاویر حرارتی خام بدون استخراج ویژگی به کار گرفته شود. با این حال مطالعه و پژوهش های بیشتری برای طراحی مدل های دیگر از شبکه های عصبی مصنوعی بر اساس یادگیری عمیق جهت تشخیص بدخیم یا خوش خیم بودن سرطان در تصاویر حرارتی نیاز است.