سرطان پستان یکی از شایعترین و مهلکترین نوع سرطان در زنان است و ماموگرافی، روش تشخیص معتبر برای تشخیص زودهنگام سرطان پستان میباشد. در این پژوهش بر آن شدیم تا با استفاده از روش یادگیری ماشین و شبکههای عصبی، به راهکاری مطمئن جهت تشخیص سرطان خوشخیم و بدخیم پستان برسیم. هوش مصنوعی در تشخیص دادهها در حجم زیاد، استخراج روابط بین آنها و کشف ویژگیهای پیچیدهای که توسط مغز انسان قابل‌درک نیست، برتری دارد. به همین دلیل، هرروز بیشتر از روز قبل در تشخیص و درمان بیماری به کار میرود. در این پژوهش، مجموعه داده مورداستفاده با تغییر اندازه تصاویر به ابعاد 512 پیکسل و بارگیری اطلاعات مربوطه از یک فایل CSV، شامل شناسه بیمار و سایر فیلدها، تهیه شد. مجموعه داده شامل 54706 نمونه با عدم تعادل طبقه قابل‌توجهی بود که در آن 53548 نمونه 0 (عدم سرطان) و 1158 نمونه به‌عنوان 1 (وجود سرطان) برچسب‌گذاری شدند. برای اطمینان از ارزیابی بیطرفانه، مجموعه داده به یک مجموعه آموزشی از 8938 نمونه و یک مجموعه آزمایشی از 2975 نمونه تقسیم شد. مدل Self Attention-based CNN با لایه‌های کانولوشن و ادغام برای استخراج ویژگی و لایه‌های کاملاً متصل برای طبقه‌بندی طراحی‌شده است. این مدل بر روی مجموعه داده آموزشی آموزش داده شد و با استفاده از معیارهای مختلف مانند دقت، یادآوری و امتیاز F1 برای ارزیابی عملکرد آن بر روی‌داده‌های دیده نشده ارزیابی شد. کتابخانه TensorFlow و tf.data.Dataset APIبرای بارگذاری و پیش‌پردازش تصاویر ماموگرافی استفاده شد. این تکنیکها به مدل کمک کرد تا بهتر تعمیم یابد و عملکرد خود را بر روی‌داده‌های دیده نشده بهبود بخشد. معیارهای ارزیابی مختلفی مانند دقت، یادآوری و امتیاز F1برای ارزیابی اثربخشی مدل در طبقه‌بندی موارد سرطان محاسبه می‌شوند. علاوه بر این، تکنیک‌های زمان‌بندی نرخ یادگیری و افزایش دادهها برای افزایش عملکرد مدل و توانایی تعمیم استفاده می‌شوند. نتایج نشان می‌دهد که مدل Self Attention-based CNN با توجه به خود به عملکرد بهتری در مقایسه با مدل‌های سنتی CNN دست می‌یابد که پتانسیل خود را برای طبقه‌بندی دقیق سرطان با استفاده از تصاویر ماموگرافی نشان می‌دهد. با استفاده از CBMA (ماژول توجه بلوک کانولوشن)، قدرت بازنمایی یک شبکه عصبی کانولوشنال با جلب‌توجه هم ازنظر کانال و هم ازنظر فضایی، افزایش داده شد تا بر مناطق و ویژگیهای اطلاعاتی تمرکز شود و توانایی تشخیص و عملکرد کلی آن بهبود یابد. با استفاده از راهکار پیشنهادی به معیار دقت، صحت، فراخوانی و معیار F1، 63 درصد و 09/0 به دست آمد
kiani E, bayati M. Detection of Benign and Malignant Breast Cancer with Deep Learning and Artificial Attention Networks. 3 2025; 3 (6) : 4 URL: http://jiis.iauh.ac.ir/article-1-33-fa.html
کیانی الهام، بیاتی مریم. تشخیص سرطان خوش خیم و بدخیم پستان با یادگیری عمیق و شبکه های مصنوعی توجه. 1. 1403; 3 (6) :37-44
