تشخیص و طبقه‌بندی درجه بدخیمی سرطان پروستات در تصاویر پاتولوژی با‌استفاده از ترکیب شبکه‌های عصبی عمیق

سرطان پروستات، یکی از شایع‌ترین بیماری‌های مردان در سراسر جهان بعد از سرطان ریه در قرن حاضر است. تشخیص و طبقه‌بندی تصاویر پزشکی یک کار بسیار چالش برانگیز است. تشخیص و پیشگیری به‌موقع این بیماری، به‌روند درمان و جلوگیری از پیشرفت آن به سایر بافت‌ها، کمک چشمگیری می‌کند. به‌منظور تعیین درجه‌ی بیماری، از بافت، نمونه‌برداری می‌شود و با بررسی ساختار پاتولوژی، درجه بدخیمی تعیین می‌شود. رایج ترین روش مورد استفاده در تشخیص سرطان پروستات، مشاهده میکروسکوپی بیوپسی‌های رنگ‌آمیزی شده توسط یک پاتولوژیست و درجه‌بندی گلیسون از تصاویر پاتولوژی است. در جدیدترین دسته‌بندی، بافت پروستات به پنج درجه تقسیم‌بندی می‌شود که درجه‌ی یک، خوش‌خیم‌ترین حالت و درجه‌ی پنج، نشان‌دهنده‌ی وخیم‌ترین حالت بیماری است. در این مقاله یک روش جدید معرفی شده است که خروجی طبقه‌بندهای سه مدل از یادگیری عمیق با هم ترکیب و ادغام می‌شوند، از روش‌ یادگیری انتقالی که بر روی مجموعه‌ از تصاویر (imagenet) آموزش داده شده، استفاده شده است. برای ارزیابی شبکه‌های‌ آموزش داده شده، نمونه‌های تست به شبکه‌ها اعمال می‌شود و با استفاده از دو قانون ترکیب طبقه بندها از قبیل رای‌گیری اکثریت و میانگین‌گیری، تصویر تست به یک کلاس نسبت داده خواهد شد. به‌منظور ارزیابی روش پیشنهادی، این روش روی پایگاه داده‌ی جامعه‌ی بین‌المللی آسیب‌شناسی اورولوژی(isup)، اعمال شده است. روش پیشنهادی در این تحقیق بر پایه یادگیری گروهی عمیق است، که با توجه به دو قاعده ترکیب،‌ رای‌گیری و میانگین‌گیری، دقت تشخیص بترتیب 97/2 % و 97/33 % در سرطان پروستات را فراهم می‌آورد که نسبت به سایر روش‌های مرسوم برای درجه‌بندی تصاویر پاتولوژی سرطان پروستات باعث افزایش دقت بیش از 4 درصد در تشخیص و طبقه‌بندی گردیده است.

diagnosis and classification of the degree of malignancy of prostate cancer in pathological images using ensemble deep learning

prostate cancer is considered as one of the most common diseases of men worldwide after lung cancer in this century. diagnosis and classification of medical images is a very challenging task. timely diagnosis and prevention of this disease helps significantly in the treatment process and preventing its progression to other tissues. in order to determine the degree of the disease, the tissues are sampled and the type of degree is determined by examining the pathology structure. the most common method used to diagnose prostate cancer is microscopic observation of stained biopsies by a pathologist and gleason grading of pathology image. in the most recent classification, the prostate tissue is divided into five grades, where grade one is the most benign condition and grade five indicates the worst condition of the disease. in this article, a new method has been introduced that combines the output of the classifications of three models of deep learning. the transfer learning method trained on a set of images (imagenet) has been used. to evaluate the trained networks, test samples are applied to the networks. by using two rules of the combination of classifiers, such as majority voting and averaging, the test image will be assigned to a class. in order to evaluate the proposed method, this method has been applied to the database of the international society of urological pathology (isup). the proposed method in this research is based on ensemble deep learning, which provides detection accuracy about 97.2% and 97.33% in prostate cancer according, respectively, for two rules of combining voting and averaging. compared to other conventional methods for grading prostate cancer pathology images, it has increased the accuracy of more than 4% in diagnosis and classification.