ارائه یک چارچوب هوشمند کامپیوتری جهت تشخیص غدد مشکوک ریوی

پیش‌زمینه و هدف: یکی از نشانه‌های بروز سرطان ریه، که یکی از مرگبارترین سرطان‌ها محسوب می‌گردد، غده‌های ریوی می‌باشند. به دلیل اینکه آشکارسازی این غده‌های ریز از روی تصاویر سی‌تی‌اسکن ریه با چشم بسیار دشوار می‌باشد بنابراین سیستم‌های هوشمند یا سیستم‌های تشخیص به کمک کامپیوتر (cad)، می‌توانند به‌عنوان کمک کار متخصص در آشکارسازی، محل یابی و ارزیابی کیفیت غده کمک کنند. مهم‌ترین چالش سیستم‌های هوشمند موجود، ارتقاء متعادل معیارهای دقت، تشخیص، حساسیت و کاهش نرخ خطای مثبت کاذب (fpr) بوده و همچنین پیچیدگی این سیستم‌ها، باعث کاهش کارایی و سرعت اجرا شده است بنابراین هدف از انجام پژوهش حاضر، ارائه یک چارچوب چابک و بهینه سازی چالش مدنظر می‌باشد. مواد و روش کار: یکی از زیرشاخه‌های نوین هوش مصنوعی، یادگیری عمیق وگرایش شبکه‌های cnn می‌باشند که در سال‌های اخیر، در تحلیل تصاویر پزشکی کاربرد زیادی یافته‌اند. در این پژوهش، یک شبکه ابتکاری مبتنی بر شبکه‌های cnn از نوع lenet جهت استخراج ویژگی‌های تصویر و همچنین کلاس بندی تصاویر پیشنهاد می‌گردد. دیتاست مورد استفاده، یک زیرمجموعه به تعداد 7072 قطعه تصویر که از مجموعه دیتاست استاندارد lidc-idri حاصل شده است، می‌باشد. غده‌های موجود در این تصاویر که جهت آموزش و اعتبارسنجی شبکه، استفاده می‌شوند دارای اندازه‌های 1 تا 4 میلی متر می‌باشند. یافته‌ها: فرآیندهای آموزش و اعتبارسنجی این شبکه با یک دستگاه رایانه دارای پردازنده core i5 2.4ghz، حافظه 8gb و کارت گرافیکintel graphics 520 در مدت زمان، پنج ساعت و یازده دقیقه اجرا شده و به میزان دقت، حساسیت و تشخیص به ترتیب برابر با 91.1درصد،85.3درصد و 92/8درصد دست یافته است. بحث و نتیجه‌گیری: با توجه به مبنای استاندارد مدل ارائه شده و نیز استفاده از تصاویر پایگاه داده معتبر برای سنجش شبکه و مقایسه با کارهای پیشین، نتایج حاصل شده از آن، تعادل خوبی را بین معیارهای ارزیابی برقرار نموده و با اجرای سریع‌تر، قابلیت لازم برای کاربردهای زمان واقعی را کسب می‌نماید.

introducing an intelligent framework for detection of suspected lung nodules

background & aims: one of the symptoms of lung cancer, which is one of the deadliest cancers, is the lung nodules. it is very difficult to detect these tiny nodules on ct scans of the lungs with the naked eye. therefore, intelligent systems or computer-aided detection (cad) systems can assist a radiologist in detecting, locating, and evaluating the quality of lung nodules. the most important challenge of existing intelligent systems is the balanced improvement of accuracy, sensitivity, specificity, and reduction of false positive rate (fpr), and also the complexity of these systems has reduced the efficiency and speed of execution. therefore, the purpose of this study was to provide an agile framework and optimize the challenge.materials & methods: one of the new subfields of artificial intelligence is the deep learning and orientation of cnn networks, which has been widely used in the analysis of medical images in recent years. in this research, an innovative network based on cnn networks of lenet type is proposed to extract image features as well as image classification. the used dataset is a subset of 7072 image pieces derived from the lidc-idri standard dataset. the size of nodules of these images, which are used to train and validate the network, are 1 to 4 mm. results: the training and validation processes of this network were performed with a computer device (configurations 2.4ghz core i5 processor, 8gb of memory, and intel graphics 520) in five hours and eleven minutes and the accuracy, sensitivity, and specificity are 91.1%, 85.3% and 92.8%, respectively. conclusion: based on the standard basis of the proposed model and also the use of valid database images to measure the network and compare with previous works, the results establish a good balance between evaluation criteria, and with faster implementation gain the necessary capability for real time applications.