تشخیص سرطان ریه از روی تصاویر سی ‌تی اسکن با استفاده از روش یادگیری عمیق و یادگیری انتقالی

سرطان ریه به دلیل رشد نامنظم و غیرکنترلی سلول ‌های سرطانی در بافت ریه ایجاد می‌شود. سلول ‌های سرطانی توانایی تقسیم و افزایش خود را به شکل نامنظم و ناهماهنگ پیدا می‌کنند. نتیجه‌ی این تکثیر، تشکیل یک توده‌ی سرطانی در ریه است. سرطان ریه می‌تواند از نقاط مختلف ریه مانند برونش (لوله‌های هوایی متصل به ریه‌ها) یا بافت‌های بدون برونش شروع شده و به سرعت به سایر اعضای بدن منتقل شود. درک دقیق مکانیسم ایجاد سرطان ریه هنوز موضوعی پیچیده بوده و تحقیقات زیادی در این زمینه در حال انجام است. با این حال تشخیص زودهنگام، تاثیر مهمی در فرایند درمان بیماری دارد. از این رو در این پژوهش به تشخیص و طبقه‌بندی این بیماری به کمک یادگیری عمیق و یادگیری انتقالی پرداخته شده است. در این راستا شبکه‌ی از پیش آموزش داده شده‌ی الکس‌نت انتخاب شده است. طی فرایند یادگیری انتقالی، شبکه جهت تشخیص سرطان ریه روی داده‌ی iq-oth/nccd در سه دسته‌ی نرمال، خوش‌خیم و بدخیم تنظیم شده است. به این منظور آخرین لایه‌ی تمام اتصال شبکه‌ی الکس‌نت حذف شده و لایه‌ی تمام اتصال جدید منطبق بر تعداد طبقه‌های مجموعه‌ی داده جایگزین شده است. دقت طبقه‌بندی با روش پیشنهادی روی مجموعه‌ی داده‌ی iq-oth/nccd برابر با 93% به دست آمده است.

lung cancer diagnosis from ct scan images using deep learning and transfer learning methods

lung cancer is caused by the irregular and uncontrolled growth of cancer cells in the lung tissue. cancer cells find the ability to divide and increase in an irregular and uncoordinated manner. the result of this proliferation is the formation of a cancerous mass in the lung. lung cancer can start in different parts of the lung, such as the bronchi (the air tubes that connect to the lungs) or non-bronchial tissues, and quickly spread to other parts of the body. the precise understanding of the mechanism of lung cancer is still a complex issue and many researches are being conducted in this field. however, early diagnosis has an important impact on the disease treatment process. therefore, in this research, the diagnosis and classification of this disease is discussed with the help of deep learning and transfer learning. in this regard, the pre-trained alexnet network has been selected. during the process of transfer learning, the network for lung cancer detection is set on iq-oth/nccd data in three categories: normal, benign and malignant. for this purpose, the last all-connection layer of the alexnet network is removed and replaced by a new all-connection layer corresponding to the number of layers in the dataset. the classification accuracy of the proposed method on the iq-oth/nccd dataset is reported to be 93%.