ارزیابی عملکرد یادگیری عمیق در تشخیص سرطان پستان با استفاده از تصاویر ماموگرافی طیفی با کنتراست

زمینه و هدف: در دسته چهارم از سیستم طبقه‌بندی bi-rads یا به‌ عبارت دیگر دسته 4 bi-rads احتمال میزان بدخیمی ضایعات بافت پستان بین 2 تا 95 درصد است که این امر تشخیص و در نتیجه درمان مورد‌نیاز برای بیمار را با چالش روبه‌رو خواهد ساخت. تصویربرداری ماموگرافی طیفی با کنتراست یکی از روش‌های کارآمد در تشخیص سرطان پستان است؛ بنابراین مطالعه‌‌ حاضر با هدف ارزیابی عملکرد تشخیصی تصاویر ماموگرافی طیفی با کنتراست در تعیین دقیق میزان بدخیمی دسته bi-rads 4 در مراحل اولیه درمان سرطان پستان به مقایسه کارایی روش‌های یادگیری عمیق در این رابطه پرداخته است.روش بررسی: در این مطالعه از 1408 ‌تصویر ماموگرافی طیفی با کنتراست شامل ضایعات مشکوک خوش‌خیم و بدخیم سرطان پستان دسته bi-rads 4 استفاده شده است. ابتدا مرحله پیش‌پردازش با هدف حذف موارد نامطلوب و بهبود کیفیت تصویر و پس از آن ناحیه‌بندی ‌با هدف تمایز ناحیه تومور از بقیه تصویر اعمال شد. مرحله بعد در مطالعه حاضر، استخراج ویژگی از ناحیه تومور با استفاده از 3 شبکه عصبی کانولوشن و در نهایت طبقه‌بندی تصاویر با استفاده از روش‌های یادگیری ماشین است.یافته‌ها: با توجه به روش کار پیشنهادی‌ عملکرد شبکه‌ densenet-201 در استخراج ویژگی و روش نزدیک‌ترین همسایه (knn) ‌در طبقه‌بندی با مقادیر حساسیت 99/2 درصد، اختصاصیت 97/5 درصد، صحت 98/57 درصد و 0/987 auc  بهتر از سایر مدل‌های پیشنهادی گزارش شد.نتیجه‌گیری: مدل پیشنهادی یادگیری عمیق با استفاده از تصاویر ماموگرافی طیفی با کنتراست، کارایی قابل‌توجهی در تشخیص میزان بدخیمی bi-rads 4 در تشخیص زودهنگام و درمان به موقع سرطان پستان دارد.

assessing the efficiency of deep learning methods in estimating the malignancy of bi-rads 4 breast lesions using contrast-enhanced spectral mammography images

background and objectives: according to the breast imaging-reporting and data system (bi-rads), category 4 breast lesions have a 2-95% probability of malignancy. such estimation can cause challenges in planning for the treatment of women with breast cancer. contrast-enhanced spectral mammography (cesm) is one of the best imaging modalities in breast cancer detection. in this study, we aim to assess the efficiency of deep learning methods in determining the malignancy degree of bi-rads 4 breast lesions using cesm images.methods: in this study, 1408 cesm images of bi-rads 4 breast lesions were used. the image pre-processing step was first done to remove noises and improve image quality. then, segmentation was done for the region of interest extraction. feature extraction was done using three different conventional classifiers. finally, the classification of images was done using deep learning methods.results: among the applied methods, the densenet-201 network used for feature extraction and k-nearest neighbor (knn) used for classification showed the best results with accuracy, sensitivity, specificity, and area under the curve of 98.57%, 99.20%, 97.50% and 0.987 respectively.conclusion: the proposed method (densenet-201 and knn) using cesm images is effective in estimating the malignancy of bi-rads 4 breast lesions and thus in timely treatment of breast cancer.