قطعه بندی توده ها در تصاویر سه بعدی ‎ABUS‎ به کمک یادگیری ژرف

سرطان پستان دومین عامل مرگ زنان در جهان است. این بیماری هر چه زودتر تشخیص داده شود، احتمال موفقیت درمان آن بیشتر خواهد بود. امروزه بدلیل مشکلات تصویربرداری ماموگرافی، استفاده از تصاویر فراصوت برای تشخیص سرطان پستان در حال افزایش است. یکی از انواع سامانه های تصویر برداری پستان، ‎ABUS است. این نوع تصویربرداری دارای مزایای زیادی نسبت به ماموگرافی و سایر روش های تصویربرداری فراصوت است. طراحی یک سامانه تشخیص به کمک کامپیوتر برای تحلیل تصاویر فراصوت در کنار رایج شدن این نوع تصویربرداری ضروری است. این سامانه ها معمولا دارای چهار بخش پیش پردازش، قطعه بندی، استخراج ویژگی و دسته بندی هستند. افزایش دقت قطعه بندی باعث افزایش دقت در کل سامانه می شود. در پژوهش های قبلی از روش های پویش حلزونی و کانتور فعال برای قطعه بندی توده ها در تصاویر سه بعدی استفاده شده است. در سال های اخیر استفاده محققان از یادگیری ژرف در زمینه های مختلف منجر به کسب نتایج قابل توجهی که با روش های سنتی پیشین ممکن نبود، شده است. در این پژوهش با استفاده از یک شبکه عصبی ژرف که از معماری ‎U-net‎ 3Dبهره می برد توده های سرطانی در تصاویر ‎ABUS‎ قطعه بندی شده اند. در این روش جهت بهبود عملکرد شبکه از رویکردی جدید برای پس پردازش استفاده شده است. مجموعه دادگان مورد استفاده از ‎32‎ بیمار جمع آوری شده است و شامل ‎50‎ توده (‎38‎ توده بدخیم و ‎12‎ توده خوش خیم) است. برای ارزیابی دقت قطعه بندی از معیار ضریب Dice استفاده شده است. میانگین دقت به دست آمده روی مجموعه دادگان مورد استفاده در این پژوهش 77/0 است.