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

چکیده

زمینه: تجزیه و تحلیل آسیب شناختی نقش مهمی را در تشخیص، پیش‌بینی و برنامه‌ریزی درمانی برای سرطان ایفا می­کند. با استفاده از آسیب‌شناسی ديجيتال، يعني اسکن و ذخيره ديجيتال بخش­هاي بافت بيمار، در حال حاضر می‌توان ابزارهايي براي تجزيه و تحليل خودکار اين تصاوير پيچيده ايجاد كرد. پزشکان با استفاده از سیستم تشخیص کامپیوتری از یک دستیار هوشمند برای تشخیص دقیق بهره می‌گیرند. این سیستم­ها مزایای گسترده­ای در بهبود اثر بخشی درمان را دارا می­باشند.
روش‌کار: 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.
یافته‌ها: نتایج پژوهش تفاوت معنی‌داری در مقادیر دقت بین روش‌های مختلف با روش پیشنهادی را آشکار می‌نماید 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 می‌باشد که بین 12تا 18 درصد افزایش را در مقایسه با سایر پژوهش‌ها نشان می‌دهد. علت این برتری استخراج ویژگی‌های سطح بالا توسط شبکه­های عصبی کانولوشن بوده که با کاهش اندازه بردار ویژگی همراه می­باشد.
نتیجه‌گیری: 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 پژوهش‌ها سیستم پیشنهادی نتایج امیدوار کننده‌ای را ارائه می­دهد.

کلید واژه ها: سرطان سینه, سرطان پوست, شبکه عصبی کانولوشن, تقسیم‌بندی هسته