Abstract:
سرطان سینه بدلیل رشد غیر قابل کنترل سلول های غیرطبیعی در سینه ایجاد می شود، در هر دو نوع تومور خوش خیم و بدخیم، رشد سریع و زیاد سلول ها وجود دارد .با توجه به روند سریع تکنولوژی، تشخیص بیماری ها از حالت تهاجمی خارج شده و تلاش پزشکان و متخصصان بر این بوده است تا به استفاده از تصاویر پزشکی و بررسی آن ها مرحله تشخیص را انجام و کاهش دهند. هدف از این مطالعه بررسی روشی جهت تشخیص سلول های سرطانی با استفاده از شبکه عصبی مصنوعی و بهبود کیفیت تصاویر بدست آمده از سلول های سرطانی می باشد. بر اساس اطلاعات پایگاه داده های تصاویر دیجیتال از آزمایشگاه پاتولوژی دانشگاه روان[1] آمریکا می باشد. در پیش زمینه این مطالعه در ابتدا کاربر پس از دریافت تصاویر از میکروسکوپ کانفوکال در باند های لیزری متفاوت، جهت تشخیص لبه و افزایش کیفیت تصاویر، آن ها را با استفاده از نرم افزار image jبصورت دستی در حجم داده های بزرگ به بررسی و تحقیق می پرداختند. در این پژوهش با استفاده از آموزش شبکه عصبی می توان داده های مورد نظر را لبه یابی و با افزایش کیفیت تصاویر صحت و دقت را برای بدست آوردن داده ها معنا دار به مراتب بالا برد. جامعه آماری مورد بررسی از رفتار سلول های سرطان سینه 600 تصویر خام و محو از داده می باشد. گروهی از تصاویر را به عنوان داده های آموزش دارای برچسب یا لیبل به شبکه عصبی می دهیم و سپس گروهی از آن ها را برای آزمایش آموزش شبکه عصبی یونت استفاده می کنیم. شبکه عصبی استفاده شده در این پژوهش با استفاده از تصاویر پزشکی دیگر از قبل آموزش دیده می باشد که این امر موجب افزایش سرعت و دقت بالا در تشخیص سلول ها و افزایش کیفیت تصاویر سلولی شده است. افراد متخصص در حوزه پردازش تصویر بر روی نمایش سلول های سرطانی و نمایش اندازه و لبه آن ها تلاش می کنند تا با استفاده از شبکه عصبی، تشخیص و ابعاد دقیق سلول ها را بدست آورند. بررسی تصاویر بصورت پیکسل به پیکسل توسط شبکه عصبی صورت می گیرد و سپس در اختیار محققان در این حوزه قرار دهند. یکی از چالشهای موجود در تکنیکهای تشخیص تصاویر پزشکی، مشکل در تجزیه و تحلیل بافتهای متراکم می باشد. با توجه به اینکه تشخیص توسط انسان زمانبر و دارای احتمال خطای بیشتری است، محققان در تلاش بودهاند تا با استفاده از الگوریتمهای مختلف تشخیص را به صورت اتوماتیک انجام دهند تا به صحت و دقت بالایی دست یابند.
Machine summary:
در پیش زمینه این مطالعه در ابتدا کاربر پس از دریافت تصاویر از میکروسکوپ کانفوکال در باند های لیزری متفاوت، جهت تشخیص لبه و افزایش کیفیت تصاویر، آن ها را با استفاده از نرم افزار image jبصورت دستی در حجم داده های بزرگ به بررسی و تحقیق می پرداختند.
در این پژوهش با استفاده از آموزش شبکه عصبی می توان داده های مورد نظر را لبه یابی و با افزایش کیفیت تصاویر صحت و دقت را برای بدست آوردن داده ها معنا دار به مراتب بالا برد.
Edge detection Image processing CNN Feature extraction Deep learning 3- مروری بر پژوهش های پیشین پگاه توکل خواه و همکاران در سال 1386 روشی برای دسته بندی و تقطیع تصاویر سلول های سرطانی ارائه کردند.
پژوهش حاضر به ارائه روش کاربردی و جدید جهت آشکار سازی سلول های سرطانی برگرفته از میکروسکوپ کانفوکال می باشد که با استفاده از استخراج ویژگی ها ساختاری از شکل و محل قرار گیری آن ها به منظور تشخیص و طبقه بندی پیکسل ها ارائه شده است.
/ شکل 4- تصویر داده پس از برچسب زدن / شکل 2 - تصویر داده پس از باینری کردن و آماده سازی برای ارسال به شبکه عصبی هدف در این مطالعه استفاده از یک روش مبتنی بر ناحیه مورد نظر 1 برای بهبود کیفیت تصاویر قسمت های مختلف سلول های سرطانی می باشد.
روش ارائه شده در این پژوهش به دو بخش پیش پردازش و آموزش شبکه برای شناسایی و تشخیص سلول های سرطانی طراحی شده است.