تشخیص خودکار سرطان پستان از عکس‌های ترموگرافی به کمک شبکه عصبی کانولوشن

سرطان پستان شایع ترین نوع سرطان در بین زنان محسوب شده و دومین علت مرگ و میر ناشی از سرطان است. تشخیص صحیح و به موقع این بیماری احتمال درمان و نجات بیمار را فراهم می‌کند. در سال­های اخیر، پیدایش و توسعه روش های ترموگرافی که مبتنی بر تصویربرداری از بافت بر اساس پروفایل حرارتی آن می باشد، امیدهای تازه ای را برای تشخیص زودهنگام سرطان پستان ایجاد نموده است چرا که پایش مداوم وضعیت زنان با این مدالیته تصویربرداری غیرتهاجمی و غیر فعال )عدم تابش اشعه های مضر(، امکان پذیرتر بوده و با هزینه کمتری انجام می­شود. رویکرد سنتی پیشبینی ناهنجاری­های پستان مبتنی بر تخصص پزشک بوده و استفاده از روش­ها و تکنیک­های مبتنی بر هوش مصنوعی در تشخیص و تعیین خودکار سرطان پستان باعث کم شدن خطاهای انسانی و افزایش سرعت تشخیص می­شود. در این مقاله از روش‌های یادگیری عمیق به عنوان یکی از موفق­ترین روش های هوش مصنوعی برای طبقه­بندی تصاویر ترموگرافی از بانک داده dmr-ir به دو گروه سالم و بیمار استفاده شده است. حصول نتایج 92% صحت تشخیص، 95% حساسیت و 97% پارامتر اختصاصی بودن نشان دهنده­ی پتانسیل قابل اعتماد روش های یادگیری عمیق در تفسیر تصاویر ترموگرافی می باشد.

breast cancer automatic diagnosis from thermal images using convolutional neural networks

breast cancer is the most common cancer diagnosed in women and the second most common cause of death from cancer. a fast and precise breast cancer diagnosis is crucial to help its brutality. in recent years, thermography of tissues has available more accessible and low-cost ways of diagnostics. additionally, with the help of artificial intelligent automation and by reducing human errors, the hope for better diagnostics has grown. we have developed a deep learning model to classify dmr-ir database images into healthy and sick classes in this work. the 92% accuracy of our method for diagnosing healthy or sick patients shows the high potential of a deep learning model to interpret thermographic data.