قطعه‌بندی توده‌ها در تصاویر سه‌بعدی ‎abus‎ به کمک یادگیری ژرف

سرطان پستان دومین عامل مرگ زنان در جهان است. هر چه این بیماری زودتر تشخیص داده شود، احتمال موفقیت در درمان آن بیش‌تر خواهد بود. امروزه به دلیل مشکلات تصویربرداری ماموگرافی، استفاده از تصاویر فراصوت برای تشخیص سرطان پستان در حال افزایش است. یکی از انواع سامانه‌های تصویر‌برداری پستان، ‎abus است. این نوع تصویربرداری از مزایای زیادی نسبت به ماموگرافی و سایر روش‌های تصویربرداری فراصوت برخوردار می‌باشد. طراحی یک سامانه‌ی تشخیص به کمک کامپیوتر برای تحلیل تصاویر فراصوت در کنار رایج شدن این نوع تصویربرداری ضروری است. این سامانه‌ها معمولا دارای چهار بخش پیش‌پردازش، قطعه‌بندی، استخراج ویژگی و دسته‌بندی هستند. افزایش دقت قطعه‌بندی، باعث افزایش دقت عمل‌کرد سامانه می‌شود. در پژوهش‌های پیشین، از روش‌های پویش حلزونی و کانتور فعال برای قطعه‌بندی توده‌ها در تصاویر سه‌بعدی استفاده شده است. در سال‌های اخیر، استفاده از یادگیری ژرف در زمینه‌های مختلف، منجر به کسب نتایج قابل توجهی شده است که امکان دست‌یابی به این نتایج با روش‌های سنتی پیشین وجود نداشت. در این پژوهش، با استفاده از یک شبکه‌ی عصبی ژرف، که از معماری ‎unet‎  3dبهره می‌برد، توده‌های سرطانی در تصاویر ‎abus‎ قطعه‌بندی شده‌اند. در این روش، به منظور بهبود عمل‌کرد شبکه، از یک رویکرد جدید برای پس‌پردازش استفاده شده است. مجموعه‌ی دادگان مورد استفاده، از ‎32‎ بیمار جمع‌آوری شده و شامل‎50‎ توده (‎38‎ توده‌ی بدخیم و ‎12‎ توده‌ی خوش‌خیم) است. برای ارزیابی دقت قطعه‌بندی، از معیار ضریب dice استفاده شده است. میانگین دقت به دست آمده روی مجموعه‌ی دادگان مورد استفاده در این پژوهش، 0/77 است.