استفاده از مدل ترکیبی unet و vgg19 برای پردازش عمیق بر روی تصاویر ماموگرافی سرطان سینه

سرطان سینه یکی از مسائل مهم بهداشت عمومی است و علت اصلی مرگ و میر ناشی از سرطان در میان زنان در سراسر جهان محسوب می شود. تشخیص زودهنگام آن می تواند به طور موثر به افزایش کمک کند . بیوپسی معمولاً به عنوان یک رویکرد استاندارد طلایی دنبال می شود که در آن بافت ها برای تجزیه و تحلیل میکروسکوپی جمع آوری می شوند اما با این حال، تجزیه و تحلیل هیستوپاتولوژیک سرطان پستان غیر ضروری است و ممکن است منجر به درجه بالایی از اختلاف نظر در میان آسیب شناسان شود. بنابراین، یک سیستم تشخیص خودکار می تواند به آسیب شناسان کمک کند تا اثربخشی فرآیندهای تشخیصی را بهبود بخشند. چارچوب پیشنهادی ما بر اساس نمای mlo و نمای cc برای بهبود عملکرد سیستم است. علاوه بر این، فقدان داده های برچسب گذاری شده یک چالش بزرگ است. یادگیری انتقال و تقویت داده ها برای غلبه بر این مشکل استفاده می شود. براساس مجموعه داده ماموگرافی؛ mias در ارزیابی ما استفاده می شود. روش پیشنهادی اعمال افزایش داده با مدل اصلاح‌شده u-net و vgg(19) به نتیجه، با این دقت98.35 ٪، به دست می یابد.

using unet and vgg19 hybrid model for deep processing on breast cancer mammography images

breast cancer is one of the main causes of death worldwide. its early detection can effectively help to increase the speed of treatment. sampling is usually used as a gold standard approach in which tissues are taken for analysis. microscopy is collected, but the histopathological analysis of breast cancer is unnecessary, so an automatic detection system can help pathologists to improve the effectiveness of the diagnostic process. our proposed framework is based on two standard mammography images, mlo and cc, which are used to improve the performance and diagnosis of the used system that the lack of labelled data is a big challenge that transfers learning and data reinforcement is used to overcome this problem. in the used method, the mias mammography data set is used. from the modified u-net model and using the transfer learning method implemented on the vgg model (19), we were able to achieve 98.35% accuracy.