توصيفگر ها :
سرطان پستان , هيستوپاتولوژي , پردازش تصاوير پزشكي , شبكه هاي عصبي , يادگيري عميق , طبقه بندي
چكيده فارسي :
سالانه ميليون‌ها مورد سرطان در سراسر جهان شناسايي مي‌شود و سرطان پستان يكي از شايع‌ترين سرطان‌ها در ميان زنان است كه ميزان مرگ‌ومير بالايي نيز دارد. تشخيص زودهنگام سرطان پستان از اهميت ويژه‌اي برخوردار است زيرا به‌طور قابل توجهي مي‌تواند بر نتايج درماني و كيفيت زندگي بيماران و كاهش مرگ‌ومير تأثير بگذارد. در مراحل اوليه، سرطان پستان معمولاً محدود به ناحيه پستان است و هنوز به بافت‌هاي ديگر بدن سرايت نكرده است. اين امر امكان استفاده از درمان‌هاي با حداقل تهاجم و مؤثرتر مانند جراحي‌هاي كوچك‌تر و دوزهاي پايين‌تر شيمي‌درماني را فراهم مي‌كند. علاوه بر اين، تشخيص زودهنگام مي‌تواند ميزان مرگ ناشي از سرطان را به‌طور قابل توجهي كاهش دهد، چرا كه درمان در مراحل اوليه غالباً مؤثرتر و موفقيت‌آميزتر است. همچنين، تشخيص زودهنگام مي‌تواند به كاهش هزينه‌هاي درماني و كاهش استرس و اضطراب بيمار و خانواده‌اش منجر شود. براي تشخيص بيماري در مراحل اوليه از روش‌هاي مختلف تصويربرداري پزشكي استفاده مي‌شود كه تصويربرداري هيستوپاتولوژي يكي از مؤثرترين روش‌هاي تصويربرداري به‌منظور تشخيص سرطان در مراحل اوليه است. در تصاوير هيستوپاتولوژي، تصويربرداري با استفاده از ميكروسكوپ از سلول‌هاي رنگ‌آميزي شده انجام مي‌شود. نتيجه‌ي تحليل اين تصاوير، اطلاعات مفيدتري را در رابطه با نوع سرطان و ميزان پيشرفت آن ارائه مي‌دهد. اين نوع تصويربرداري به پزشكان اجازه مي‌دهد تا با دقت بيشتري به بررسي بافت‌ها بپردازند و تغييرات سلولي را كه مي‌تواند نشان‌دهنده وجود يا پيشرفت سرطان باشد، شناسايي كنند. اما زمان تشخيص طولاني و احتمال خطا به ميزان تجربه و مهارت پزشك وابسته است. پيشرفت‌هاي يادگيري عميق و هوش مصنوعي در تحليل تصاوير هيستوپاتولوژي، باعث شده تا تشخيص سريع‌تر و دقيق‌تر بيماري‌هاي سرطاني امكان‌پذير شود. اين فناوري‌ها از الگوريتم‌هاي يادگيري عميق براي شناسايي الگوهاي پيچيده در تصاوير بهره مي‌برند و به پزشكان و متخصصان هيستوپاتولوژي كمك مي‌كنند تا با دقت بيشتري بيماري‌هاي سرطاني را تشخيص دهند. الگوريتم‌هاي يادگيري عميق قادرند حتي تفاوت‌ها و تغييرات جزئي سلولي را نيز كه ممكن است با تجزيه و تحليل دستي ناديده گرفته شوند، شناسايي كنند. اين پيشرفت‌ها بهبود قابل توجهي در زمان تشخيص، افزايش دقت در تشخيص و كاهش احتمال خطاهاي انساني را به همراه دارد كه همگي به بهبود نتايج درماني و كيفيت مراقبت از بيماران كمك مي‌كنند. در اين پژوهش به تشخيص نوع سرطان پستان در تصاوير هيستوپاتولوژي با استفاده از شبكه‌هاي عصبي و روش‌هاي يادگيري عميق پرداخته‌شده است. دو شبكه‌ي عصبي متفاوت به‌منظور طبقه‌بندي و تشخيص نوع سرطان پستان با استفاده از تصاوير هيستوپاتولوژي معرفي شده است. شبكه‌هاي معرفي شده با تكيه‌بر اتصالات پرش، يادگيري انتقال و با بهره‌گيري از قدرت شبكه‌هاي عصبي كانولوشني توانسته‌اند به نتايج خوبي دست يابند. هر يك از اين روش‌هاي پيشنهادي با چهار معيار متفاوت دقت، صحت، يادآوري و نمره‌ي f1 با ديگر روش‌ها مقايسه شده‌اند. آزمايش‌هاي انجام شده بر روي مجموعه داده‌ي BreakHis نشان داده است كه در روش‌هاي پيشنهادي در اين پژوهش، مقدار صحت حدود 3-4%، دقت 3-5%، يادآوري 2-7% و نمره‌يf1 %1-3 در بزرگنمايي‌هاي متفاوت بهبود داشته است. اين بهبود‌ها نشان‌دهنده‌ي كارآمدي و دقت بالاي شبكه‌هاي عصبي و الگوريتم‌هاي يادگيري عميق در تشخيص سرطان پستان از طريق تحليل تصاوير هيستوپاتولوژي هستند.
چكيده انگليسي :
Each year, millions of cancer cases are identified worldwide, with breast cancer being one of the most common cancers among women, and it also has a high mortality rate. Early detection of breast cancer is of paramount importance as it can significantly impact treatment outcomes, improve patients' quality of life, and reduce mortality rates. In the early stages, breast cancer is usually confined to the breast area and has not yet spread to other tissues in the body. This allows for using less invasive and more effective treatments, such as smaller surgeries and lower doses of chemotherapy. Furthermore, early detection can significantly reduce cancer-related mortality, as treatment in the early stages is often more effective and successful. Early diagnosis can also lead to reduced treatment costs and alleviate stress and anxiety for the patient and their family. Various medical imaging techniques are used for early disease detection, with histopathological imaging being one of the most effective methods for early cancer diagnosis. In histopathological imaging, cells are stained and imaged using a microscope. The analysis of these images provides valuable information regarding the type of cancer and its progression. This type of imaging allows physicians to examine tissues more accurately and identify cellular changes that may indicate the presence or advancement of cancer. However, the time required for diagnosis and the potential for errors depend heavily on the experience and skill of the physician. Advances in deep learning and artificial intelligence for analyzing histopathological images have enabled faster and more accurate cancer diagnoses. These technologies utilize deep learning algorithms to identify complex image patterns, assisting pathologists and histopathologists in diagnosing cancers with greater precision. Deep learning algorithms can detect even subtle cellular differences and changes that might be overlooked during manual analysis. These advancements have led to significant improvements in diagnosis time, increased diagnostic accuracy, and reduced the likelihood of human errors, all of which contribute to better treatment outcomes and patient care quality. This research focuses on identifying the type of breast cancer in histopathological images using neural networks and deep learning methods. Two different neural networks are introduced for classifying and diagnosing breast cancer types using histopathological images. The proposed networks leverage skip connections, transfer learning, and the power of convolutional neural networks (CNNs) to achieve promising results. Each of these proposed methods has been compared with other methods using four different metrics: accuracy, precision, recall, and F1-score. Experiments conducted on the BreakHis dataset have shown that the proposed methods in this study achieved an improvement of approximately 3-4% in accuracy, 3-5% in precision, 2-7% in recall, and 1-3% in F1-score at different magnifications. These improvements indicate the efficiency and high accuracy of neural networks and deep learning algorithms in diagnosing breast cancer through the analysis of histopathological images.
