تشخيص خودكار سرطان پستان از عكس‌هاي ترموگرافي به كمك شبكه عصبي كانولوشن

Breast Cancer Automatic Diagnosis from Thermal Images Using Convolutional Neural Networks

سرطان پستان شايع ترين نوع سرطان در بين زنان محسوب شده و دومين علت مرگ و مير ناشي از سرطان است. تشخيص صحيح و به موقع اين بيماري احتمال درمان و نجات بيمار را فراهم مي‌كند. در سال­هاي اخير، پيدايش و توسعه روش هاي ترموگرافي كه مبتني بر تصويربرداري از بافت بر اساس پروفايل حرارتي آن مي باشد، اميدهاي تازه اي را براي تشخيص زودهنگام سرطان پستان ايجاد نموده است چرا كه پايش مداوم وضعيت زنان با اين مداليته تصويربرداري غيرتهاجمي و غير فعال )عدم تابش اشعه هاي مضر(، امكان پذيرتر بوده و با هزينه كمتري انجام مي­شود. رويكرد سنتي پيشبيني ناهنجاري­هاي پستان مبتني بر تخصص پزشك بوده و استفاده از روش­ها و تكنيك­هاي مبتني بر هوش مصنوعي در تشخيص و تعيين خودكار سرطان پستان باعث كم شدن خطاهاي انساني و افزايش سرعت تشخيص مي­شود. در اين مقاله از روش‌هاي يادگيري عميق به عنوان يكي از موفق­ترين روش هاي هوش مصنوعي براي طبقه­بندي تصاوير ترموگرافي از بانك داده DMR-IR به دو گروه سالم و بيمار استفاده شده است. حصول نتايج ۹۲% صحت تشخيص، ۹۵% حساسيت و ۹۷% پارامتر اختصاصي بودن نشان دهنده­ي پتانسيل قابل اعتماد روش هاي يادگيري عميق در تفسير تصاوير ترموگرافي مي باشد.

Breast Cancer is the most common cancer diagnosed in women and the second most common cause of death from cancer. A fast and precise breast cancer diagnosis is crucial to help its brutality. In recent years, thermography of tissues has available more accessible and low-cost ways of diagnostics. Additionally, with the help of artificial intelligent automation and by reducing human errors, the hope for better diagnostics has grown. We have developed a deep learning model to classify DMR-IR database images into healthy and sick classes in this work. The 92% accuracy of our method for diagnosing healthy or sick patients shows the high potential of a deep learning model to interpret thermographic data.