چکیده
ما طبقه بندی ناحیه های مطلوب (ROI) در ماموگرام ها را یا بصورت توده یا بصورت بافت نرمال با استفاده از یک شبکه عصبی کانولوشن (CNN) بررسی می کنیم. CNN ، یک شبکه عصبی پس انتشار با کرنل های وزن دو بعدی است که بر روی تصاویر عمل می کند. اجرای سریع، پایدار و تعمیم یافته CNN توسعه داده می شود. تصاویر ورودی به CNN از ROI با استفاده از دو تکنیک بدست می آید. تکنیک اول، میانگین گیری و زیرنمونه گیری را انجام می دهد. تکنیک دوم، روش های استخراج ویژگی بافت را برای ناحیه کوچکی در داخل ROI بکار می برد. ویژگی های محاسبه شده در نواحی مختلف به عنوان تصاویر بافت قرار می گیرند که به طور متوالی به عنوان ورودی های CNN استفاده می شوند. اثرات ساختار و پارامترهای ویژگی بافت CNN بر دقت طبقه بندی بررسی می شود. روش منحنی مشخصه عملکرد (ROC) برای ارزیابی دقت طبقه بندی استفاده می شود. یک مجموعه داده شامل 168 ROI که دارای توده های تایید شده هستند و 504 ROIکه دارای بافت نرمال سینه هستند، توسط رادیولوژیست باتجربه در ماموگرافی از 168 ماموگرام استخراج می شود. این مجموعه داده برای آموزش و تست CNN استفاده می شود. با ترکیب بهتر ساختار و پارامترهای ویژگی بافت CNN ، حوزه زیر تست منحنی ROC به 0.87 می رسد که متناظر با یک بخش مثبت واقعی 90% در یک بخش مثبت کاذب 31% می باشد. نتایج ما، امکان استفاده از CNN را برای طبقه بندی توده ها و بافت نرمال در ماموگرام ها نشان می دهد.
1-مقدمه
سرطان سینه رایج ترین سرطان درمیان زنان است و علت اصلی مرگ و میر ناشی از سرطان در میان زنان 15 تا 54 سال است. ماموگرافی موثرترین روش برای تشخیص زودرس سرطان سینه است. با این وجود، با نگاهی به گذشته آشکار می شود که تعداد زیادی از ضایعاتی که در ماموگرام قابل مشاهده هستند توسط رادیولوژیست ها از قلم می افتند که می تواند علل مختلفی داشته باشد، از قبیل: کیفیت پایین تصویر ماموگرافی، ظاهر خوش خیم ضایعات، و خستگی چشم یا غفلت توسط رادیولوژیست ها...
جهت مشاهده کل مقالات برق به قسمت مقالات ترجمه شده برق مراجعه فرمایید. همچنین خدمات ترجمه تخصصی نیز توسط موسسه البرز به انجام می رسد و پس از ثبت نام در سایت می تواند سفارش ترجمه مقاله خود را ارسال کنید.
میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید