جداسازی هسته سلول سرطانی در تصاویر هیستوپاتولوژی سرطان سینه و ناحیه ضایعه در تصاویر سرطان پوست با استفاده از شبکه های عصبی کانولوشن

زمینه: تجزیه و تحلیل آسیب شناختی نقش مهمی را در تشخیص، پیش بینی و برنامه ریزی درمانی برای سرطان ایفا می­کند. با استفاده از آسیب شناسی دیجیتال، یعنی اسکن و ذخیره دیجیتال بخش­های بافت بیمار، در حال حاضر می توان ابزارهایی برای تجزیه و تحلیل خودکار این تصاویر پیچیده ایجاد کرد. پزشکان با استفاده از سیستم تشخیص کامپیوتری از یک دستیار هوشمند برای تشخیص دقیق بهره می گیرند. این سیستم­ها مزایای گسترده­ای در بهبود اثر بخشی درمان را دارا می­باشند. روش کار: در این پژوهش از طبقه­بندی کننده شبکه عصبی عمیق به کمک فریمورک تنسورفلو و بهره­گیری از کتابخانه کراس استفاده شده است. تصاویر ورودی در ابتدا از یک فیلتر پایین گذر به منظور کاهش اثرات نویزی عبور داده می­شوند. سپس تصاویر پیش پردازش شده به یک شبکه عصبی کانولوشن وارد می­شوند. یافته ها: نتایج پژوهش تفاوت معنی داری در مقادیر دقت بین روش های مختلف با روش پیشنهادی را آشکار می نماید که در بعضی از موارد نشان دهنده افزایش بیش از 4/18 درصد در دقت تشخیص گردیده است. از دیگر مزایای روش پیشنهادی فراهم آوردن حساسیت بالا در تصاویر هیستوپاتولوژی می باشد که بین 12تا 18 درصد افزایش را در مقایسه با سایر پژوهش ها نشان می دهد. علت این برتری استخراج ویژگی های سطح بالا توسط شبکه­های عصبی کانولوشن بوده که با کاهش اندازه بردار ویژگی همراه می­باشد. نتیجه گیری: نتایج حاصل نشان دهنده دقت 6/98 درصد برای تصاویر سرطان پوست و دقت 1/96 درصد برای تصاویر هیستوپاتولوژی سرطان سینه است که در مقایسه با نتایج سایر پژوهش ها سیستم پیشنهادی نتایج امیدوار کننده ای را ارائه می­دهد.

Segmentation of cancer cell in histopathologic images of breast cancer and lesion area in skin cancer images using convolutional neural networks

Background: Pathological analysis plays an important role in the diagnosis, prediction and planning of cancer treatment. Using digital pathology, ie, scanning and storing digital parts of patient tissue, tools for analyzing these complex images now can be developed. Doctors use a computer diagnostic system from an intelligent assistant to accurately diagnose. These systems have great benefits in improving treatment efficacy. Methods: In this study, the deep neural network classifier has been used with the help of the Tensor Flow framework and the use of the Keraslibrary. Input images are initially transmitted from a low pass filter to reduce noise effects. The preprocessed images are then imported into a convolutional neural network. Results: The results of the research reveal a significant difference in the accuracy values between different methods with the proposed method, which in some cases indicates an increase of more than 14.18% in the accuracy of the diagnosis. Another advantage of the proposed method is to provide high sensitivity to histopathologic images, which shows an increase of 12 to 18 percent compared to other studies. The reason for this is the excellence of extracting highlevel features through convolutional neural network, which is accompanied by a reduction in the size of the feature vector. Conclusion: The results showed a accuracy of %98.6 for skin lesions and %96.1 accuracy for breast cancer histopathologic findings, which offers promising results compared to the results of other studies.