مهندس زهرا نکویی شهرکی
دانشجوی ارشد دانشگاه تهران
برنامه متلب برای تشخیص ماموگرافی
اولتراسوند یک راه مفید برای تشخیص سرطان پستان است [1] زیرا غیر تهاجمی غیر رادیواکتیو تصویر برداری بلادرنگ و
وضوح تصویر بالا هستند. حتی یک متخصص خوب آموزش دیده ممکن است نرخ تغییرات بین ناظران بالایی در تشخیص تومور داشته باشد [2] از این رو تشخیص به کمک کامپیوتر (CAD) میتواند برای کمک به رادیولوژیستها در طبقه بندی و تشخیص سرط ان پستان استفاده شود [63] . اخیراً چندین مطالعه [7-10] روش تشخیص خودکار سرطان پستان را برای طبقه بندی تومورخ وش خیم و بدخیم در تصاویر ایالات متحده مورد بحث قرار دادهاند ثابت شده است که رویکردهای شبکه عصبی کانولوشنال ) می تواند الگوهای بصری CNN در طیف وسیعی از کاربردهای بینایی رایانه بسیار مؤثر هستند .[11-14]. علاوه بر این CNN را مستقیماً از تصاویر پیکسلی با حداقل پیش پردازش تشخیص دهد و کل فرآیند استخراج ویژگی را به طور خودکار انجام د هد. علاوه بر این CNN به طور گسترده در تجزیه و تحلیل تصویر ،پزشکی مانند تقسیم بندی [15] طبقه بندی [16] و تشخی ص [17] استفاده شده است. در سالهای اخیر استفاده از مدلهای CNN در سونوگرافی سرطان سینه پیشرفت چشمگیری داشته ا ست. بایرا و همکاران [18] یک روش تبدیل رنگ پیشنهاد کرد که تصاویر اولتراسوند در مقیاس خاکستری را به تصاویر 3 کان الى (RGB) منتقل می،کند که عملکرد طبقه بندی را افزایش میدهد یاپ و همکاران [19] یک مدل یادگیری عمیق پایان به انتها در تشخیص خودکار ضایعات سونوگرافی پستان پیشنهاد کرد آنها اولین کسانی هستند که تقسیم بندی معنایی را بر رو ی تصاویر BUS پیاده سازی کردند و عملکرد را بین مدلهای مختلف CNN مقایسه کردند یاپ و همکاران [20] یک سیستم تشخی ص خودکار ضایعات اولتراسوندی پستان را با استفاده از مدلهای CNN پیشنهاد کرد که سه مدل مختلف CNN از سیستم های C را برای تشخیص تومور با استف CAD را مقایسه کرد که مشکل وابسته به اپراتور را کاهش .داد در مطالعه ما یک سیستم AD اده از یک روش ترکیب تصویر همراه با نمایشهای محتوای تصویر مختلف و مجموعهای از معماریهای مختلف CNN در تصاویر ایالات متحده پیشنهاد میکنیم. ابتدا منطقه مورد نظر را به صورت دستی استخراج میکنیم که کل تومور و مرز ROI نزدیک
به حاشیه تومور را پوشش میدهد ،سپس متخصص به صورت دستی منطقه تومور و تصویر شکل تومور (TSI) را استخراج می کند علاوه بر این ما از یک روش ترکیب تصویر برای افزایش عملکرد تشخیصی سیستم CAD خود استفاده کردیم.
