طراحی یک سیستم cad برای شناسایی و طبقه‌بندی تومورهای سرطان سینه در تصاویر dcemr بر اساس شبکه‌های عصبی کانولوشن سلسله مراتبی

در این مقاله، یک سیستم cad بر اساس شبکه های عصبی کانولوشن سلسله مراتبی با ساختاری جدید، جهت ایجاد تمایز بین تومورهای خوش خیم و بدخیم در تصاویر mr سینه پیشنهاد شده است. شبکه ی عصبی کانولوشن، یک شبکه ی سلسله مراتبی عصبی است که بر روی تصاویر دو بعدی اعمال می شود و فرآیندهای استخراج ویژگی و طبقه بندی را در یک ساختار واحد و کاملاً تطبیقی، ادغام می کند. این ساختار می تواند ویژگی های دو بعدی کلیدی را به صورت خودکار استخراج نموده و نسبت به اعوجاجات هندسی و محلی در تصاویر ورودی مقاوم است. در ادامه، نتایج پیاده سازی فرآیندهای یادگیری و آزمایش hcnn بر اساس روش های بهینه سازی گرادیان نزولی و پس انتشار عدول شونده مورد ارزیابی قرار گرفته و نشان داده شده است که hcnn پیشنهادی با رویکرد یادگیری پس انتشار عدول شونده، یک ساختار عصبی سلسله مراتبی کارآمد و مقاوم را جهت طراحی یک سیستم cad پایه در تصاویر mr سینه ارائه می کند بطوریکه از آن می توان بطور بالقوه، بعنوان یک مکانیسم برای ارزیابی انواع ناهنجاری ها در تصاویر پزشکی استفاده نمود.

A CAD System for Identification and Classification of Breast Cancer Tumors in DCEMR Images Based on Hierarchical Convolutional Neural Networks

In this paper, we propose a computer aided diagnosis (CAD) system based on hierarchical convolutional neural networks (HCNNs) to discriminate between malignant and benign tumors in breast DCEMRIs. A HCNN is a hierarchical neural network that operates on twodimensional images. A HCNN integrates feature extraction and classification processes into one single and fully adaptive structure. It can extract twodimensional key features automatically, and it is relatively tolerant to geometric and local distortions in input images. We evaluate CNN implementation learning and testing processes based on gradient descent (GD) and resilient backpropagation (RPROP) approaches. We show that, proposed HCNN with RPROP learning approach provide an effective and robust neural structure to design a CAD base system for breast MRI, and has potential as a mechanism for the evaluation of different types of abnormalities in medical images.