گروه صنعتی تولید

طبقه بندی توده و بافت نرمال سینه: یک کلاسیفایر شبکه عصبی کانولوشن با حوزه مکانی و تصاویر بافت

چکیده:

ما طبقه بندی ناحیه های مطلوب (ROI) در ماموگرام ها را یا بصورت توده یا بصورت بافت نرمال با استفاده از یک شبکه عصبی کانولوشن (CNN) بررسی می کنیم. CNN ، یک شبکه عصبی پس انتشار با کرنل های وزن دو بعدی است که بر روی تصاویر عمل می کند. اجرای سریع، پایدار و تعمیم یافته CNN توسعه داده می شود. تصاویر ورودی به CNN از ROI با استفاده از دو تکنیک بدست می آید. تکنیک اول، میانگین گیری و زیرنمونه گیری را انجام می دهد. تکنیک دوم، روش های استخراج ویژگی بافت را برای ناحیه کوچکی در داخل ROI بکار می برد. ویژگی های محاسبه شده در نواحی مختلف به عنوان تصاویر بافت قرار می گیرند که به طور متوالی به عنوان ورودی های CNN استفاده می شوند. اثرات ساختار و پارامترهای ویژگی بافت CNN بر دقت طبقه بندی بررسی می شود. روش منحنی مشخصه عملکرد (ROC) برای ارزیابی دقت طبقه بندی استفاده می شود. یک مجموعه داده شامل 168 ROI که دارای توده های تایید شده هستند و 504 ROIکه دارای بافت نرمال سینه هستند، توسط رادیولوژیست باتجربه در ماموگرافی از 168 ماموگرام استخراج می شود. این مجموعه داده برای آموزش و تست CNN استفاده می شود. با ترکیب بهتر ساختار و پارامترهای ویژگی بافت CNN ، حوزه زیر تست منحنی ROC به 0.87 می رسد که متناظر با یک بخش مثبت واقعی 90% در یک بخش مثبت کاذب 31% می باشد. نتایج ما، امکان استفاده از CNN را برای طبقه بندی توده ها و بافت نرمال در ماموگرام ها نشان می دهد.

1. مقدمه

سرطان سینه رایج ترین سرطان درمیان زنان است و علت اصلی مرگ و میر ناشی از سرطان در میان زنان 15 تا 54 سال است. ماموگرافی موثرترین روش برای تشخیص زودرس سرطان سینه است. با این وجود، با نگاهی به گذشته آشکار می شود که تعداد زیادی از ضایعاتی که در ماموگرام قابل مشاهده هستند توسط رادیولوژیست ها از قلم می افتند که می تواند علل مختلفی داشته باشد، از قبیل: کیفیت پایین تصویر ماموگرافی، ظاهر خوش خیم ضایعات، و خستگی چشم یا غفلت توسط رادیولوژیست ها. طرح تشخیص به کمک کامپیوتر(CAD) می تواند مطابقت نظر فرد صلاحیت دار دیگر را با نظر رادیولوژیست فراهم کند که ممکن است تشخیص های منفی کاذب را کاهش دهد. علاوه براین، CAD می تواند در تفکیک ضایعات بدخیم از خوش خیم نیز مفید باشد، بنابراین تعداد موارد خوش خیمی که برای بیوپسی فرستاده می شوند را کاهش می دهد. میکروکلسیفیکیشن ها و توده ها دو علامت مهم تر بدخیمی در ماموگرام هستند. کارهای قبلی در مورد میکروکلسیفیکیشن ها نشان می دهند که CAD می تواند به طور چشمگیری دقت رادیولوژیست ها را در تشخیص میکروکلسیفیکیشن های خوشه ای بهبود دهد. از آنجایی که توده ها می توانند ناشناخته باشند یا توسط پارانشیمال نرمال سینه شبیه سازی شوند، تشخیص توده ها مشکل ترین کار هم برای مشاهدات انسانی و هم کامپیوترها می باشد. در این مقاله با استفاده از یک شبکه عصبی کانولوشن (CNN) دستاوردمان را از یک روش کامپیوتری شده برای طبقه بندی نواحی مورد علاقه (ROI) یا به عنوان توده ها یا به عنوان بافت نرمال در ماموگرام ها ارائه می دهیم.

در سال های قبل، چندین محقق مساله تشخیص و طبقه بندی توده ها را در ماموگرافی بررسی کرده اند. در سال 1989، لای و دستیارانش از تکنیک های بهبود تصویر و تطبیق الگو برای تشخیص توده های محیطی استفاده کردند. این تکنیک ها قادرند تمامی توده ها را در 17 ماموگرام با میانگین 1.7 مثبت کاذب در هر ماموگرام تشخیص دهند. محدودیت روش آن ها در این است که تنها برای توده های محیطی بکار برده می شود. در سال 1990، برازکوویس و دستیارانش از یک الگوریتم اتصال هرمی فازی برای جداکردن و تشخیص ROI ها در ماموگرام های درشت رقمی شده (256*256 پیکسل) استفاده کردند و یک کلاسیفایر برای تمایز توده های خوش خیم و بدخیم و غیرتومورها براساس ویژگی های ریخت شناسی موارد جداشده، بوجود آوردند. اخیرا، یین و دستیارانش از یک تکنیک تفریق دوطرفه غیرخطی استفاده کردند تا عدم تقارن های بین تصاویر سینه سمت چپ و راست را تشخیص دهند، در جایی که عدم تقارن تشخیص داده شود امکان بودن توده وجود دارد. با استفاده از 46 جفت ماموگرام، آن ها بدرستی 95% توده ها را با سه مثبت کاذب در هر تصویر تشخیص دادند. در سال 1994، کگلمیر و دستیارانش از خصوصیات لبه محلی و ویژگی های بافت برای تشخیص توده های خاردار استفاده کردند. چن و دستیارانش و ویی و دستیارانش، با استفاده از ویژگی های بافت و تحلیل تفکیک خطی یک کلاسیفایر ایجاد کردند تا توده ها و بافت نرمال را در ماموگرام ها طبقه بندی کنند، که رویکرد آن ها با همین مجموعه ROI موجود در این مقاله تست می شود.

در سال های اخیر، تعداد زیادی از کارهای محققین به کاربرد شبکه های عصبی برای تشخیص و طبقه بندی نابهنجاری های سینه اختصاص یافته است. ویو و دستیارانش از یک شبکه عصبی پس انتشار(BPN) برای طبقه بندی ROI ها یا بصورت بافت نرمال سینه یا بصورت خوشه های واقعی میکروکلسیفیکیشن استفاده کردند. ژانگ و دستیارانش از یک شبکه عصبی تغییرناپذیر مکانی برای همان هدف ویو و دستیارانش استفاده کردند. ویو ودستیارانش، همچنین از یک BPN برای طبقه بندی تومورهای خوش خیم و بدخیم براساس ویژگی های مشاهده شده توسط یک رادیولوژیست با تجربه استفاده کردند.

CNN که در این مقاله استفاده می شود، یک شبکه پس انتشار است که بر روی تصاویر کار می کند. CNN قبلا در تشخیص ندول های ریوی و میکروکلسیفیکیشن ها استفاده می شده است. در کاربردهای قبلی، ورودی CNN یک نوع زیرنمونه گیری شده از خود ROI بوده است. در این مقاله، CNN را تعمیم می دهیم تا چند تصویر ورودی داشته باشیم که می تواند شامل تصاویر مکانی و ویژگی بافت باشد.

چان و دستیارانش و ویی و دستیارانش پیش از این استفاده از ویژگی های بافت تصویر را برای طبقه بندی توده ها و بافت نرمال در ماموگرام ها مورد بررسی قرار داده اند. نتایج بررسی آن ها نشان می دهد که بافت تصویر شامل اطلاعات مفیدی است که می توانند به طور موثری در تمایز بین توده ها از بافت نرمال استفاده شوند. در این مقاله، استفاده از ویژگی های بافت محلی بررسی می شود که این اجازه را به ما می دهد تا تغییرات بافت را در درون یک پمپ وکیوم آبی ROI به طور کامل تری مشخص کنیم. با استخراج ویژگی های آماری تفاوت سطوح خاکستری (GLDS) و ویژگی های وابستگی مکانی سطوح خاکستری (SGLD)که در نواحی مختلف محلی شده اند، تصاویر مختلفی از یک ROI بدست می آید. از آنجایی که ویژگی ها محلی شده اند، همانطور که ناحیه در سرتاسر ROI حرکت می کند ویژگی ها تغییر می کنند. با حرکت مرکز ناحیه به سمت یک شبکه مستطیلی در سرتاسر ROI و محاسبه ویژگی ها، تصاویر بافت تشکیل می شوند. سپس، تصاویر بافت به عنوان ورودی به CNN استفاده می شوند.