دانلود رایگان ترجمه مقاله شناسایی سرطان پستان با استفاده از شبکه های عصبی (اسپرینگر ۲۰۱۸)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

این مطالعه یک سیستم شناسایی ارائه می کند که از CNN استفاده می کند تا بتواند حالت های غیر عادی در ماموگرافی ها را شناسای کرده و آن ها را تشخیص دهد. به صورت عمومی، یک ماموگرام به صورت نرمال، خوش خیم و یا بدخیم دسته بندی می شود (شکل ۱ یک مثال را نشان میدهد).
دو گام آخر در شبکه های عمقی عصبی انجام می شود که هر دو قسمت استخراج ویژگی و دسته بندی آن ها را به صورت خودکار انجام می دهد. این مقاله به صورت زیر دسته بندی شده است. یک مرور نسبت به کار های مرتبط در بخش ۲ ارائه شده است. بخش ۲ روش ما برای پردازش داده ها را مطرح کرده و معماری CNN را نمایش می دهد. در بخش ۴، ما نتایج کار خودمان را ارائه می کنیم. در نهایت، در بخش ۵ نیز ما یک جمع بندی از مطالعه را همراه با مباحث عمومی نسبت به نتایج به دست آمده را ارائه می کنیم.

۲٫ کارهای مرتبط
تمام زنان ممکن است تحت تاثیر سرطان پستان قرار بگیرند .سرطان پستان دلیل اول مرگ زنان می باشد. در نتیجه، مطالعه های مختلفی انجام شده است تا ابزاری توسعه پیدا کنند که بتوان از آن ها برای تشخیص این بیماری های سرطانی استفاده کرد. سیستم های شناسایی خودکار سرطان پستان با استفاده از تکنیک های مختلف یادگیری ماشینی (ML) توسعه پیدا کرده اند.
در سال ۲۰۰۸، ورما یک روش برای دسته بندی تصویر های ماموگرافی را ارائه کرد که به هدف شناسایی سرطان پستان مورد استفاده قرار می گرفت. روش پیشنهاد شده مبنی بر قرار دادن نورون های جدید در لایه های پنهان شبکه می باشد. نرخ دسته بندی در این روش ۹۴% بود.
در سال ۲۰۱۶ سعید و همکارانش از تصویر های رزونانس مغناطیسی استفاده کردند تا ویژگی ها را برای دسته بندی تصویر های ماموگرافی در دو دسته، استخراج کنند: بدخیم، خوش خیم. آن ها در مطالعه خودشان از الگوریتم های KNN و LDA استفاده کردند.
همچنین در سال ۲۰۱۶، ژنگ و کی و همکارانش، از الگوریتم های یادگیری بدون سرپرست استفاده کردند: ماشین بلتزمن محدود (RBM) و ماشین بلتزمن با درگاه نقطه ای (PGBM) با استفاده از یادگیری عمقی در این مطالعه ها مورد استفاده قرار گرفت تا ویژگی های تصاویر برای دسته بندی سرطان پستان استخراج شود. صحت به دست آمده در این مطالعه ها ۹۳٫۴% بود.
همچنین در سال ۲۰۱۶، سیدنی و لیما از دو نوع مختلف از داده ها یعنی تصاویر و بافت استفاده کردن تا بتوانند ویژگی های هر نوع از داده ها را با استفاده از لحظات زرنیک و موجک هایی با چند تفکیک به دست بیاورند. روش به دست آمده نتایج SVM و ELM را برای دسته بندی سرطان پستان با صحت ۹۴٫۱۱% ترکیب می کند.

در سال ۲۰۱۷، الهرابی و تچیر یک سیستم خودکار را برای شناسایی کردن سرطان پستان ارائه کردن که مبتنی بر دیتابیس عربستان سعودی بود و نتایج الگوریتم های ژنتیک و فازی را با یکدیگر ترکیب کردند.
این روش ها که در قسمت بالا توصیف شدند نیازمند یک گام اساسی برای استخراج ویژگی های تصویر قبل از گام شناسایی می باشند و نمی توان به صورت زمان واقعی از آن ها استفاده کرد. بر اساس دانش ما، این کار اولین کار است که از شبکه های عصبی پیچه ای برای سیستم های تشخیص کامپیوتری استفاده می کند که برای سرطان پستان مورد استفاده قرار می گیرند. این کار، در ادامه وظایف قبلی انجام شده است.

۳٫ روش پیشنهاد شده
ایجاد کردن شبکه ها با روش پیشنهاد شده که در شکل ۲ نشان داده شده است، بعد از چند آزمایش و یک مطالعه دقیق نسبت به مقالات برای دیگر روش های دسته بندی، محقق شد. یک گام اولیه برای دسته بندی دستی در دیتابیس نیز برای به دست آوردن جرم های مختلف، انجام شد.

۳٫۱٫ دسته بندی
در روش ما، یک دسته بندی دستی از جرم در بیس یادگیری (بیس ما شامل تصویر های جرمی می باشد که یک دایره قرمز دور آن ها کشیده شده است) انجام می شود تا بتوان کانتور ها را به دست آورد تا با استفاده از تحلیل ImageJ آن ها را تحلیل کرد( شکل ۳ نشان دهنده یک نمونه می باشد).

۳٫۲٫ معماری CNN و تشخیص آن
ما از ۶ لایه در معماریCNN خودمان استفاده می کنیم که به صورت زیر سازمان دهی شده است: لایه پیچه ایCI، لایه نمونه برداری S1، لایه پیچه ای C2، لایه نمونه برداری S2، لایه متراکم D و در نهایت لایه خروجی O (شکل ۲). پارامتر های اصلی این مدل و اطلاعات تمرین در معماری CNN پیشنهاد شده در شکل ۴ توصیف شده اند.