استفاده از شبکه‌های عصبی یادگیری عمیق در تشخیص درجه بدخیمی سرطان پروستات و تشخیص سرطان سینه

مقدمه در سال های اخیر علاقه به پژوهش در زمینه به کارگیری الگوریتم های هوشمند در تشخیص و طبقه بندی بیماری ها به ویژه سرطان، به شدت افزایش یافته است. طبقه بندی تومور یک کار مهم در تشخیص پزشکی محسوب می شود. روش های محاسبات نرم افزاری به دلیل عملکرد طبقه‌بندی آنها در تشخیص بیماری های پزشکی اهمیت زیادی دارند. تشخیص و طبقه بندی تصاویر پزشکی یک کار چالش برانگیز است.روش کاربرای تشخیص درجه بدخیمی سرطان پروستات و خوش خیم یا بد خیم بودن سرطان سینه از طبقه بندی کننده شبکه عصبی عمیق به کمک فریمورک تنسورفلو و بهره گیری از کتابخانه کراس استفاده شده است. در مرحله آموزش، تصاویر آموزشی به همراه کلاس خروجی آن برای شبکه در نظر گرفته می شود. حین آموزش وزن های فیلتر در هر تکرار به روز می شوند. به نحویکه بعد از چندین تکرار وزن‌های بهینه به روز می شوند و شبکه آموزش می بیند تا بهترین ویژگی را از تصاویر استخراج کند.نتایجروش پیشنهادی در این تحقیق که بر پایه شبکه های عصبی عمیق است، با توجه به استخراج ویژگی های موثرتر و دقیق تر، دقت تشخیص 95.83 %و 99.5 %به ترتیب در سرطان سینه و سرطان پروستات را فراهم می آورد که نسبت به روش های موجود باعث افزایش بیش از 7% در دقت تشخیص گردیده است.  نتیجه گیریسرطان یکی از شایع ترین بیماری های پیش رونده در جهان است. سرطان در سلول ها آغاز می شود که پایه های ساختمانی اولیه هستند که بافت را تشکیل می دهند. یکی از چالش های موجود در تکنیک های تشخیص تصاویر پزشکی، مشکل در تجزیه و تحلیل بافت های متراکم است. با توجه به اینکه تشخیص توسط انسان زمان بر و دارای احتمال خطای بیشتری است، محققان در تلاش بوده اند تا با الگوریتم های مختلف تشخیص را به صورت اتوماتیک انجام دهند.

detection of malignancy degree in prostate and breast cancers by using deep neural network

introduction: in recent years, interest in research into the application of intelligent algorithms for diagnosis and categorization of diseases, especially cancer has increased dramatically. tumor classification is an important task in medical diagnosis. technological calculations are important due to their classification function in diagnosis of medical illnesses. diagnosing and classifying medical images is a challenging task. materials and methods: to detect the malignancy of prostate cancer and the opioid or malignant breast cancer, deep neural network classifier, which is based on tensor flow framework and keras library, is used. in the training phase, educational images are considered along with the output class for the network. during training, the weight of the filter is updated every time. however, after several replications, optimal weights are updated and the network is trained to extract the best feature from the images. results: in this research, the proposed method due to using deep neural network and accurate feature extraction provides detection accuracy about 95.83% and 99.5% for breast and prostate cancers, respectively, which is more than 7% compared to other methods. conclusion: cancer is one of the most prevalent diseases in the world. cancer is started from the cells, which are the basic building blocks making the tissue. one of the challenges in medical diagnostic techniques is the difficulty in analyzing dense tissues. since the detection of the diagnosis by human is time-consuming and has a higher probability of error, the researchers have been trying to detect it automatically by using different algorithms.