آشکارسازی توده سرطانی پستان به کمک شبکه عصبی کانولوشنی در تصاویر ام.آر.آی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

2 دانشکده فنی مهندسی میانه، دانشگاه تبریز، میانه، ایران

چکیده

سرطان پستان، متداول‌ترین نوع سرطان است که جمعیت زنان را تحت تأثیر قرار می‌‌دهد. تشخیص زود‌هنگام سرطان می‌تواند شانس درمان را افزایش دهد و همچنین مؤثرترین راه برای مبارزه با این بیماری است. ارائه روش‌های خودکار برای آشکارسازی توده سرطانی یا تومور مورد توجه پژوهشگران بوده است. در این مقاله، یک روش مبتنی بر شبکه‌های عصبی عمیق کانولوشنی به منظور آشکارسازی ناحیه‌ی توموری از تصاویر MRI معرفی شده است. روش پیشنهادی به صورت جمع‌آوری تصاویر MRI به همراه تصویر GT از ناحیه‌ی توموری آن‌ها و بسط داده‌ها به منظور آموزش و آزمون شبکه عصبی می‌باشد. نوع روش یادگیری مورد استفاده در این مقاله، روش یادگیری بانظارت می‌باشد. الگوریتم بر روی مجموعه داده‌ی RIDER breast آزمایش شده و نتایج به خوبی نشان می‌دهند که روش پیشنهادی، عملکرد بهتری از سایر روش‌های آشکارسازی تصویر مانند روش‌های مبتنی بر خوشه‌بندی دارد. از مزایا می‌توان به کیفیت بالا در آشکارسازی تومور و سرعت قابل قبول در زمان اجرا اشاره کرد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Breast Tumor Detection using Convolutional Neural Network in MRI Images

نویسندگان [English]

  • A. Arjmand 1
  • S. Meshgini 1
  • R. Afrouzian 2
1 Department of Biomedical Engineering, Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran
2 Miyaneh Technical College, University of Tabriz, Miyaneh, Iran
چکیده [English]

Breast cancer is the most common type of cancer that affects the female population. Early detection of cancer can increase the chance of treatment and is also the most effective way to fight the disease. The development of automated methods for the detection of cancer or tumor mass has been of interest to researchers. In this paper, a method based on deep convolutional neural networks for detecting tumor area from MRI images is introduced. The proposed method is to collect MRI images along with GT images from their tumor area and expand the data to train and test the neural network. The type of learning method used in this paper is supervised learning. The algorithm is tested on the RIDER breast dataset and the results show that the proposed method performs better than other image detection methods such as clustering methods. Benefits include high quality in tumor detection and acceptable speed at runtime.

کلیدواژه‌ها [English]

  • Tumor detection
  • Deep Learning
  • Convolutional Neural Networks (CNN)
  • Breast Cancer

مراجع

[1] M. Yousefi, A. Krzyżak, C.Y. Suen, “Mass detection in digital breast tomosynthesis data using convolutional neural networks and multiple instance learning”, Computers in biology and medicine, (2018).
[2] S. Suzuki, X. Zhang, N. Homma, K. Ichiji, N. Sugita, Y. Kawasumi, T. Ishibashi, M. Yoshizawa, “Mass detection using deep convolutional neural network for mammographic computer-aided diagnosis”, in: 55th Annual Conference of the Society of Instrument and Control Engineers of Japan (SICE), 2016, pp. 1382–1386.
[3] S.V. Fotin, Y. Yin, H. Haldankar, J.W. Hoffmeister, S. Periaswamy, “Detection of soft tissue densities from digital breast tomosynthesis”: comparison of conventional and deep learning approaches, Proceedings of the SPIE 9785, Med. Imaging (2016), 97850X.
[4] D.H. Kim, S. Kim, Y.M. Ro, “Latent feature representation with 3-D multi-view deep convolutional neural network for bilateral analysis in digital breast tomosynthesis”, in: IEEE International Conference on Acoustics, Speech and Signal Processing, ICASSP, 2016, pp. 927–931.
[5] Z.Jiao, X.Gao, Y.Wang, J.Li, “A Deep feature based framework for breast masses classification”, Neurocomputing197 (2016)221–231.
[6] H. Chougrada, H. Zouakia, O. Alheyane, “Deep convolutional neural networks for breast cancer screening”. Comput. Methods Programs Biomed. 157, 19–30 (2018)
[7] W.B Sampaio, E.M Diniz, A.C  Silva, A.C Paiva and M Gattass, “Detection of Masses in Mammogram Images using cnn”, Geostatistic Functions and svm, Computers in Biology and Medicine, vol. 41(8), pp. 653–664, (2011).
[8] Y. Zhong, A. Ma, Y.S. Ong, Z. Zhu, L. Zhang,  “Computational intelligence in optical remote sensing image processing.” Applied Soft COMPUTING (2017).
[9] S. H. Lewis and A. Dong, “Detection of breast tumor candidates using marker-controlled watershed segmentation and morphological analysis,” in Image analysis and interpretation (SSIAI), 2012 IEEE southwest symposium on, 2012, pp. 1-4.
[10] M. M. Eltoukhy and I. Faye, “An adaptive threshold method for mass detection in mammographic images,” in IEEE international conference on signal and image processing applications (ICSIPA), 2013, 2013, pp. 374-378.
[11] B. W.  Hong and B. S.  Sohn, “Segmentation of regions of interest in mammograms in a topographic approach,” IEEE Transactions on Information Technology in Biomedicine, vol. 14, pp. 129-139, 2010.
[12] F. R. Cordeiro, W. P. Santos, and A. G. Silva-Filho, “Segmentation of Mammography by Applying GrowCut for Mass Dectection,” women, vol. 1, p. 3, 2013.
[13] S.W. Zheng, J. Liu, and C.C. Liu, “A random-walk based breast tumors segmentation algorithm for mammograms,” International Journal on Computer, Consumer and Control)IJ3C), vol. 2, pp. 66-74, 2013
[14] P. Rahmati, A. Adler, and G. Hamarneh, “Mammography segmentation with maximum likelihood active contours,” Medical image analysis, vol. 16, pp. 1167-1186, 2012.
[15] N. Al-Najdawi, M. Biltawi, and S. Tedmori, “Mammogram image visual enhancement, mass segmentation and classification,” Applied Soft Computing, vol. 35, pp. 175-185, 2015.
[16] M. Dong, X. Lu, Y. Ma, Y. Guo, Y. Ma, and K. Wang, “An efficient approach for automated mass segmentation and classification in mammograms,” Journal of digital imaging, vol. 28, pp. 613-625, 2015.
[17] P.  Delogu, M.E.  Fantacci, P.  Kasae, A. Retico, “Characterization of mammographicmasses using a gradient-based segmentation algorithm anda neural classifier” Computers in and Biology Medicine (37) (2007): 1479-1491.
[18] https://dcm.bmia.nl/ncia/login.jsf

فایل ها

هم رسانی

ارجاع به این مقاله

آمار