فهرست نشریات علمی دسترسی آزاد ایران

تشخیص به موقع نوع ضایعه‌ی پستان در انجام اقدامات لازم برای بهبود سریع‌تر بسیار مفید است. به دلیل دقت ناکافی روش‌های موجود، تعیین دقیق نوع ضایعه فقط با روش تهاجمی نمونه‌برداری میسر است. در روش جدید تحلیل دینامیکی سری زمانی فرکانس رادیویی فراصوت (RFTSDP) که در سال ۲۰۲۰ توسط ما پیشنهاد شد، سیگنال‌های بازگشتی RF در حین اعمال تحریک‌های مختلف بررسی می‌شوند. اعمال تحریک می‌تواند ویژگی‌های مکانیکی بافت را در سیگنال‌های بازگشتی آشکار کند و اطلاعات بیشتری از دینامیک محیط فراهم نماید. در این مطالعه، دستگاهی برای ایجاد لرزش در فرکانس‌های مختلف طراحی و استفاده شد. داده‌ها از ۱۱ نمونه بافت خارج‌شده از پستان که درون فانتوم شبیه‌ساز بافت سالم پستان قرار گرفته‌بودند، جمع‌آوری شدند. داده‌های بیم‌فرم‌شده‌ی فوق‌سریع تحت شرایط عدم تحریک، نیروی ثابت و تحریک لرزشی با فرکانس‌های مختلف با استفاده از سیستم تصویربرداری فراصوت سوپرسونیک جمع‌آوری شدند. از یادگیری عمیق برای استخراج خودکار ویژگی، طبقه‌بندی و درجه‌بندی ۱۱ نمونه بافت به پنج گروه مختلف ضایعه‌های سرطانی (سه گروه همراه درجه‌بندی)، غیرسرطانی (نکروز چربی) و بافت سالم استفاده‌شد. در نهایت، نتایج روش یادگیری عمیق با نتایج به‌دست آمده از استخراج ویژگی‌های طیفی و غیرخطی سری زمانی RFو طبقه‌بندی با ماشین بردار پشتیبان، مقایسه‌‌شد. با اعمال لرزش ۶۵ هرتز در روش RFTSDP و استفاده از یادگیری عمیق، طبقه‌بندی انواع ضایعه‌های پستان و درجه‌بندی ضایعه‌ی سرطانی با صحت ۴۷/۰±۵۳/۹۹ درصد حاصل‌شد. استفاده از یادگیری عمیق به منظور استخراج خودکار ویژگی و طبقه‌بندی ضایعه‌ی پستان باعث افزایش صحت عملکرد و ارایه‌ی مدلی پایدارتر شد. همچنین بهبود قابل توجهی (۶۷/۲۸ درصد) در صحت طبقه‌بندی با استفاده از RFTSDPو بهره‌گیری از یادگیری عمیق نسبت به حالت بدون اعمال تحریک و ارزیابی داده‌های خام متمرکز حاصل شد. بنابراین نتایج این مطالعه تایید می‌کند که استفاده از روشRFTSDP ، باعث غنی‌تر شدن سیگنال‌های بازگشتی و بهبود تعیین نوع ضایعه‌ی پستان و درجه‌بندی سرطان شده‌است.