تشخیص هوشمند سرطان پستان از طریق شبکه‌های ترکیبی عمیق با استفاده از تصاویر ترموگرافی

مقدمه: سرطان پستان، شایع‌ترین سرطان بدخیم در زنان است و بیشتر از سایر سرطان‌ها باعث مرگ و میر آنان می‌شود. روش ترموگرافی یکی از روش‌های تشخیص سرطان پستان است. مهم‌ترین چالش در تشخیص زود هنگام از روی این تصاویر می‌تواند مربوط به خطای انسانی و یا عدم دسترسی به شخص ماهر باشد. استفاده از روش‌های هوش مصنوعی در پردازش تصاویر در تشخیص زودهنگام و کاهش خطای انسانی می‌تواند موثر باشد. هدف کلی این پژوهش معرفی شبکه‌های ترکیبی عمیق برای تشخیص هوشمند سرطان پستان از تصاویر ترموگرافی است.روش: تصاویر ترموگرافی مورد استفاده در این پژوهش از پایگاه داده dmr-ir جمع‌آوری شده است. ابتدا ویژگی‌های اصلی تصاویر توسط شبکه پیچشی عمیق cnn استخراج گردید. سپس در ادامه از دو الگوریتم fcnns و svm برای کلاس‌بندی سرطان پستان از تصاویر ترموگرافی استفاده شد. نتایج: نرخ دقت برای الگوریتم‌های cnn_fc و cnn-svm، به ترتیب 94.2%، 95.0% بود. علاوه بر این، پارامترهای قابلیت اطمینان هم برای این طبقه‌بندی‌کننده‌ها به ترتیب 92.1%، 97.5% و حساسیت برای هر یک از این طبقه‌بندی‌کننده‌ها به ترتیب  95.5%، 94.1% محاسبه شد. نتیجه‌گیری: مدل پیشنهادی مبتنی بر شبکه ترکیبی عمیق دقت مناسبی نسبت به الگوریتم‌‌های مشابه دارد؛ بنابراین می‌تواند پزشکان را در تشخیص زودهنگام سرطان پستان از طریق تصاویر ترموگرافی کمک نموده و خطای انسانی را به حداقل برساند. 

breast cancer detection in thermographic images using hybrid networks

introduction: breast cancer is the most common cancer in women that causes more deaths than other cancers. thermography is one of the methods of breast cancer diagnosis. the most important challenge in early detection of these images can be human error or lack of access to a skilled person. the use of artificial intelligence methods in image processing can be effective in early detection and reduction of human error. the main aim of this research was to introduce hybrid networks for intelligent diagnosis of breast cancer from thermographic images.method: the thermographic images used in this study were collected from the dmr-ir database. first, the main features of the images were extracted by deep convolutional network (cnn). then, fcnns and svm algorithms were used to classify breast cancer from thermographic images.results: the accuracy rate for cnn_fc and cnn-svm algorithms was 94.2% and 0.95%, respectively. in addition, the reliability parameters for these classifiers were calculated as 92.1%, and 97.5%, and the sensitivity for each of these classifiers as 95.5%, and 94.1%, respectively.conclusion: the proposed model based on the deep hybrid network has good accuracy compared to similar algorithms; therefore, it can help doctors in the early diagnosis of breast cancer through thermographic images and minimize human error.