2

fa تشخیص سرطان خوش خیم و بدخیم پستان با یادگیری عمیق و شبکه های مصنوعی توجه Detection of Benign and Malignant Breast Cancer with Deep Learning and Artificial Attention Networks تخصصي Special پژوهشي Research 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 API برای 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 F1 برای 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 Breast cancer is one of the most common and deadly types of cancer in women, and mammography is a reliable diagnostic method for early detection of breast cancer. In this research, we set out to use machine learning and neural networks to find a reliable solution to diagnose benign and malignant breast cancer. Because human diagnosis includes errors, and it is also used to avoid paying high medical costs, ease the work of eliminating human resources, and also to diagnose taste and prevent wasting time of doctors in viewing images and presenting results by them. Artificial intelligence excels in data recognition in large volumes, extracting relationships between them and discovering complex features that cannot be understood by the human brain. For this reason, every day is used more than the previous day in the diagnosis and treatment of the disease. In this research, by using CBMA, we increased the representational power of a convolutional neural network by drawing attention both in terms of channel and space in order to focus on informational regions and features and improve its recognition ability and overall performance. By using the proposed solution, we reached 63% and 0.09 percent of the recall accuracy criterion and F1 criterion سرطان پستان, یادگیری ماشین, شبکه‌های عصبی کانولوشن, تشخیص سرطان خوش‌خیم و بدخیم Neural Network, Machine Learning, Body damage 37 44 http://jiis.iauh.ac.ir/browse.php?a_code=A-10-39-1&slc_lang=fa&sid=1 elham kiani الهام کیانی KIANIELHAM@YAHOO.COM 100319475328460089 100319475328460089 No maryam bayati مریم بیاتی m.bayati@sepahan.ac.ir 100319475328460090 100319475328460090 Yes