یادگیری عمیق U-Net بهبود یافته با خوشه بندی مبتنی بر الگوریتم ترکیبی کرم شب تاب و بهینه سازی ازدحام ذرات در تشخیص سرطان سینه در تصاویر ماموگرافی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران

2 گروه برق، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران

10.22034/jasp.2023.54109.1209

چکیده

سرطان سینه از بیماری‌های مهم عصر حاضر است که تشخیص درست و زودهنگام آن می‌تواند به روند بهبود بیماری و جلوگیری از مرگ و میر منجر شود. یادگیری عمیق در پردازش تصاویر پزشکی راهکار موثری در کمک به پزشکان در تشخیص این سرطان و شرایط تومور می‌باشد. زیرا تراکم بالای بافت سینه یکی از محدودیت‌ها در تشخیص این بیماری از روی تصاویر ماموگرافی است. در این پژوهش،روشی جدید با استفاده از شبکه عمیق U-Net در ترکیب با خوشه‌بندی فازی و الگوریتم ترکیبی کرم شب تاب و ازدحام ذرات جهت شناسایی، قطعه بندی تومورسرطان سینه ارائه شده است. روش پیشنهادی بر روی مجموعه داده‌های تصاویر ماموگرافی استاندارد شامل DDSM و INbreast مورد بررسی و تحلیل قرار گرفته است. نتایج، نشان دهنده آن است که شبکه عصبی کانالوشن به دقت %97.5 ، روش U-Net به دقت %99.5، روش بهبود یافته U-Net با خوشه بندی فازی و ازدحام ذرات (PSO-FCM-U-Net) به دقت %99.6و روش بهبود یافته U-Netبا خوشه‌بندی فازی و کرم شب تاب و ازدحام ذرات (FFPSO-FCM-U-Net) به دقت %99.8رسیده است. در حالت کلی، نتایج دقت تشخیص سرطان سینه با مدل پیشنهادی U-Net بهبود یافته پیشنهادی، نتایج نویدبخشی را ثمر داد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Improved U-Net deep learning using clustering based on firefly and particle swarm optimization in breast cancer detection and classification in mammography images

نویسندگان [English]

  • NajmehSadat BaniHoseini 1
  • Vahid Ghods 2
1 Semnan Branch, Islamic Azad University, Semnan, Iran
2 Department of Electrical and Computer Engineering, Semnan Branch, Islamic Azad University, Semnan, Iran.
چکیده [English]

Breast cancer is one of the important diseases of today's age, which correct and early diagnosis can lead to the process of improving the disease and preventing mortality. Deep learning in medical image processing is an effective solution to help doctors diagnose this cancer and tumor conditions, because the high density of breast tissue is one of the limitations in diagnosing this disease in mammography images. In this research, a new method using the U-Net deep network in combination with fuzzy clustering and the hybrid algorithms of firefly and particle swarm optimization is presented to recognize and segment the breast cancer tumor. The proposed method was analyzed on the real dataset of valid and standard DDSM and INbreast mammography images. The results of convolutional neural network method with 97.5% accuracy, U-Net method with 99.5% accuracy, improved method with particle swarm optimization PSO-FCM-U-Net with 99.6% accuracy and the proposed FFPSO-FCM-U-Net method with 99.8% accuracy have been accompanied. In general, the results of breast cancer detection accuracy with the proposed improved U-Net model yielded promising results.

کلیدواژه‌ها [English]

  • U-Net deep learning
  • breast cancer
  • mammography
  • clustering
  • firefly algorithm
پردازش سیگنال پیشرفته

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 16 فروردین 1402

فایل ها

هم رسانی

ارجاع به این مقاله

آمار