توصيفگر ها :
يادگيري ماشين , يادگيري عميق , يادگيري انتقالي , شبكه هاي عصبي‌پيچشي , تشخيص سرطان سينه
چكيده فارسي :
تشخيص به موقع و زودهنگام سرطان به يك ضرورت در تحقيقات سرطان تبديل شده‌است، زيرا مي‌تواند روش هاي درمان بيماران را آسان‌تر كند و احتمال بهبود كامل را افزايش دهد. اهميت دسته‌بندي بيماران سرطاني به گروه‌هاي خوش خيم يا بدخيم، بسياري از محققان را به مطالعه كاربرد روش‌هاي يادگيري ماشين سوق داده‌است. زير مجموعه‌اي از يادگيري ماشين به نام يادگيري عميق نيز در اين حوزه كاربرد هاي خاصي دارد كه با استفاده از شبكه هاي عصبي به تحليل تصاوير پزشكي از جمله تصاوير تومور هاي سرطاني مي‌پردازد ولذا اين تكنيك‌ها براي مدل‌سازي دسته‌بندي سرطان مورد استفاده قرار گرفته‌اند. انواع مختلفي از اين تكنيك‌ها، ازجمله شبكه هاي عصبي پيچشي به طور گسترده در تحقيقات سرطان براي دسته‌بندي به كار گرفته شده‌اند كه منجر به تصميم گيري‌هاي دقيق و مؤثر مي‌شوند. شبكه هاي عصبي پيچشي به گونه اي طراحي شده‌اند كه به خوبي مي‌توانند اطلاعات تصاوير را استخراج كنند و به همين دليل از آن ها براي پردازش تصاوير پزشكي نيز استفاده مي‌شود. از طرفي شبكه هاي عصبي پيچشي به داده هاي زيادي نياز دارند تا آموزش ببينند و اين يك محدوديت است كه مي‌توان آن را با استفاده از يادگيري انتقالي و مدل هاي از پيش آموزش ديده كه قبلا بر روي تصاوير زيادي آموزش ديده‌اند برطرف كرد. بنابراين با استفاده از شبكه هاي از پيش آموزش ديده مي‌توان معماري هاي خاصي از شبكه هاي عصبي طراحي كرد كه تصاوير را بصورت كارا تري دسته‌بندي كنند. در تحقيق هاي بررسي شده از ادبيات موضوع اگرچه محققان براي تشخيص سرطان سينه به صحت بالايي دست پيدا كرده‌اند اما براساس بيشترين صحت بدست آمده در هر تحقيق از ادبيات موضوع مقدار حساسيت قابل توجهي بدست نيامده‌است. از طرفي صحت بالا به تنهايي كافي نيست چرا كه اگر معيار حساسيت مقدار قابل توجهي نداشته باشد باتوجه به مقدار مربوطه برخي از نمونه هاي بدخيم به درستي تشخيص داده نمي‌شود و باتوجه به اينكه در پزشكي حفظ جان انسان بسيار اهميت دارد معيار حساسيت نيز بسيار مهم است. در اين تحقيق از يك مدل جديد مبتني بر دو شبكه موازي رزنت50 و رزنت50 وي2 و دو شبكه موازي موبايل‌نت‌وي1 و موبايل‌نت‌وي2 با رويكرد يادگيري انتقالي براي دسته‌بندي تصاوير هيستولوژي(بافت شناسي) تومور هاي خوش‌خيم و بدخيم سينه استفاده شده‌است و مقدار حساسيت از مقدار حساسيت بدست آمده در همه‌ي تحقيق هاي بررسي شده از ادبيات موضوع بيشتر شده‌است. مدل مربوطه به ترتيب به صحت، حساسيت، اختصاصي بودن، ارزش اخباري مثبت(دقت) و امتياز اف1 برابر با 98/99، 99/54، 97/78، 98/99 و 99/26 درصد رسيد.
چكيده انگليسي :
Timely and early detection of cancer has become a necessity in cancer research because it can make treatment methods easier for patients and increase the probability of complete recovery. The importance of classifying cancer patients into benign or malignant groups has led many researchers to study the application of machine learning methods. A subset of machine learning called deep learning also has special applications in this field, which uses neural networks to analyze medical images, including images of cancerous tumors, and therefore these techniques have been used to model cancer classification. Various types of these techniques, including convolutional neural networks, have been widely used in cancer research for classification, leading to accurate and effective decision-making. Convolutional neural networks are designed in such a way that they can extract information from images well, and for this reason, they are also used to process medical images. On the other hand, convolutional neural networks need a lot of data to be trained, and this is a limitation that can be overcome by using transfer learning and pre-trained models that have already been trained on many images. Therefore, by using pre-trained networks, special architectures of neural networks can be designed to classify images more efficiently. In the research reviewed from the literature, although researchers have achieved high accuracy for breast cancer detection, based on the highest accuracy obtained in each research from the literature, no significant amount of sensitivity has been obtained. On the other hand, high accuracy alone is not enough, because if the sensitivity criterion does not have a significant value, according to the relevant value, some malignant samples will not be correctly detected, and considering that saving human life is very important in medicine, the sensitivity criterion is also very important. In this research, a new model based on two parallel networks ResNet50 and ResNet50V2, and two parallel networks MobileNetV1 and MobileNetV2 with a transfer learning approach has been used to classify the histology images of benign and malignant breast tumors, and the sensitivity value is higher than the sensitivity value obtained in all the researches reviewed from the literature. The corresponding model reached accuracy, sensitivity, specificity, positive predictive value (precision), and F1 score equal to 98.99%, 99.54%, 97.78%, 98.99%, and 99.26% respectively.
