ارائه الگوريتم بهبود قطعه بندي تصاوير ماموگرافي با استفاده از شبكه‌هاي عصبي همگشتي

An Improvement Segmentation Algorithm for Mammographic Images Using Convolutional Neural Networks

طبق گفته كارشناسان در ميان سرطان‌ها، سرطان سينه شايع ترين سرطان در ميان زنان مي‌باشد؛ لذا تشخيص سريع اين بيماري، عامل مهمي در رهايي از مرگ و همچنين تسريع در روند درمان بيماري مي‌باشد. انجام دوره‌اي غربالگري ماموگرافي يكي از مؤثرترين روش‌هاي تصويربرداري براي تشخيص سرطان سينه است، كه براي زنان بالاي 40 سال توصيه مي‌شود. با وجود پيشرفت‌هاي فراوان تكنولوژي در زمينه ماموگرافي در چند دهه اخير، سرطان سينه همچنان قرباني‌هاي زيادي در بين زنان دارد. تقسيم بندي دقيق توده بر روي ماموگرام‌ها يك گام مهم در سيستم‌هاي تشخيص كامپيوتري است،كه اين نيز يك كار چالش برانگيز مي‌باشد؛ زيرا برخي از ضايعات جرم در بافت‌هاي طبيعي جاسازي شده و حاشيه‌هاي ضعيف يا حاشيه‌هاي مبهم دارند. روش پيشنهادي در اين مطالعه ارائه الگوريتمي بهبود يافته براي قطعه‌بندي توده‌هاي سرطاني در تصاوير ماموگرافي با استفاده از شبكه‌هاي عصبي همگشتي مي‌باشد، كه در نهايت به طبقه‌بندي توده‌ها به سه دسته: نرمال، خوش‌خيم و بدخيم منجر مي‌گردد. قطعه‌بندي مبتني بر شبكه‌ عصبي همگشتي با تصاوير اصلاح شده در محله پيش‌پردازش آغاز مي‌شود تا ترسيم دقيق‌تر در تصاوير با وضوح بالا انجام شود. فرآيند قطعه‌بندي شامل شش لايه همگشت و دو لايه كاملا متصل مي‌باشد، تا دقت و حساسيت جداسازي توده از بافت سينه بهبود بيابد.

According to experts in cancers, breast cancer is the most common cancer among women, so early detection of the disease, an important factor in the liberation of death as well as accelerate the process of treating patients. Screening for mammography is one of the most effective imaging methods for diagnosing breast cancer, which is recommended for women over 40 years of age. Despite the many advances in mammogram technology over the past few decades, breast cancer still has many victims among women. The segmention of the mass into mammograms is an important step in Computer-Aided Detection, which is also a challenging task, since some mass lesions are embedded in natural tissues and have weak margins or vague borders. The proposed method in this study is to provide an improved algorithm for segmentation of tumor masses in mammograms using Convolutional neural networks, which ultimately leads to the classification of the masses into three categories: normal, benign and malignant. Segmentation based on Convolutional neural network with images corrected in the neighborhood begins to draw closer preprocessing is performed in high-resolution images. The segmentation process consists of six Convolutional layers and two fully connected layers, to improve the accuracy and sensitivity of mass separation from the breast tissue.