مروری بر سیستم‌های یادگیری عمیق کمک‌یار ماموگرافی: مقاله مروری

سرطان پستان یکی از شایع‌ترین سرطان‌ها در زنان است. ماموگرافی غربال‌گری یک روش تصویربرداری اشعه ایکس با دوز پایین است که برای تشخیص سرطان پستان در مراحل اولیه به‌کار می‌رود. برای کمک به رادیولوژیست در خواندن ماموگرام سیستم‌های کمک‌یار (cad) ساخته شده‌اند که نرم‌افزارهایی هستند که می‌توانند نواحی سرطانی را در ماموگرام تشخیص دهند. با پیشرفت‌های نرم‌افزاری و سخت‌افزاری اخیر که منجر به تکامل الگوریتم‌های یادگیری عمیق (dl) گردیده، انقلابی در رشته‌های مختلف مهندسی و همچنین فناوری‌های پزشکی به‌وجود آمده است. اخیرا، مدل‌های dl در سیستم‌های کمک‌یار ماموگرافی مورد استفاده قرار گرفته‌اند و به عملکرد بالایی دست پیدا کرده‌اند. روش‌های dl برخلاف روش‌های سنتی یادگیری ماشین، نیازی به فرایند مشکل و زمان‌بر مهندسی ویژگی‌ها ندارند و می‌توانند به‌طور خودکار، ویژگی‌های مورد نیاز را از روی تصویر یاد گرفته و استخراج کنند. یکی از پرکاربردترین الگوریتم‌های dl، شبکه عصبی کانولوشنال (cnn) می‌باشد. برای تشخیص ضایعات سرطانی در ماموگرام، cnn باید در یک الگوریتم مبتنی بر ناحیه مانند rcnn، fast rcnn، faster rcnn و yolo به‌کار گرفته شود. برای آموزش مدل‌های dl، نیاز به حجم زیادی از تصاویر ماموگرافی است که ضایعات سرطانی در آن‌ها توسط یک رادیولوژیست مجرب، مشخص شده باشند. به همین دلیل، تهیه و جمع‌آوری یک مجموعه داده بزرگ ماموگرافی مارک شده، برای ساخت یک سیستم کمک‌یار با دقت بالا، ضروری می‌باشد. این مقاله با هدف گردآوری وضعیت بهره‌مندی و پیشرفت‌های تکنولوژی یادگیری عمیق در سیستم‌های کمک‌یار ماموگرافی نوشته شده است.

Deep learning-based CAD systems for mammography: A review article

Breast cancer is one of the most common types of cancer in women. Screening mammography is a low‑dose X‑ray examination of breasts, which is conducted to detect breast cancer at early stages when the cancerous tumor is too small to be felt as a lump. Screening mammography is conducted for women with no symptoms of breast cancer, for early detection of cancer when the cancer is most treatable and consequently greatly reduce the death rate from the breast cancer. Screening mammography should be performed every year for women age 4554, and every two years for women age 55 and older who are in good health. A mammogram is read by a radiologist to diagnose cancer.To assist radiologists in reading mammograms, computeraided detection (CAD) systems have been developed which can identify suspicious lesions on mammograms. CADs can improve the accuracy and confidence level of radiologists in decision making and have been approved by FDA for clinical use. Traditional CAD systems work based on conventional machine learning (ML) and image processing algorithms. With recent advances in software and hardware resources, a great breakthrough in deep learning (DL) algorithms was followed, which revolutionized various engineering areas including medical technologies. Recently, DL models have been applied in CAD systems in mammograms and achieved outstanding performance. In contrast to conventional ML, DL algorithms eliminate the need for the tedious task of humandesigned feature engineering, as they are capable of learning useful features automatically from the raw data (mammogram). One of the most common DL frameworks is the convolutional neural network (CNN). To localize lesions in a mammogram, a CNN should be applied in region‑based algorithms such as R‑CNN, Fast R‑CNN, Faster R‑CNN, and YOLO.Proper training of a DL‑based CAD requires a large amount of annotated mammogram data, where cancerous lesions have been marked by an experienced radiologist. This highlights the importance of establishing a large, annotated mammogram dataset for the development of a reliable CAD system. This article provides a brief review of the state‑of‑the‑art techniques for DL‑based CAD in mammography.