كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / دوازدهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

طبقه بندی سطوح پوشش بافتی در تصاویر ماموگرافی با استفاده از یادگیری انتقالی عمیق و تحلیل توضیح پذیری مدل

نویسندگان :

ثمین کشاورز بهادری¹ راحیل حسینی² ملیحه ثابتی³

1- دانشگاه آزاد اسلامی واحد تهران شمال 2- دانشگاه آزاد اسلامی واحد شهر قدس 3- دانشگاه آزاد اسلامی واحد تهران شمال

کلمات کلیدی :

سرطان سینه،ماموگرافی،یادگیری عمیق،یادگیری انتقالی،پتانسیل پوشانندگی بافت سینه،هوش مصنوعی توضیح پذیر

چکیده :

در این پژوهش، طبقه بندی سطوح پوشش بافتی (Masking Levels) در تصاویر ماموگرافی، که بر پایه شاخص پتانسیل پوشانندگی بافت سینه (Masking Potential) تعریف شده، با استفاده از معماری های یادگیری انتقالی عمیق بررسی شده است. با توجه به نقش این سطوح در پنهان ماندن ضایعات و تأثیر آنها بر تحلیل تصاویر ماموگرافی، توسعه روش های دقیق، قابل اعتماد و قابل تفسیر برای طبقه بندی آنها اهمیت زیادی دارد. سه مدل یادگیری انتقالی شامل VGG16،ResNet50 و InceptionV3 بر روی مجموعه داده مصنوعی Synthetic CSAW 100k Mammograms، تولید شده با یک مدل انتشار نهفته و بر پایه مجموعهداده CSAW-M، آموزش داده شده اند. عملکرد مدل ها با استفاده از روش 5-Fold Cross Validation، منحنی ROC و شاخص مساحت زیر منحنی (AUC) ارزیابی شده و برای افزایش توضیح پذیری، از روش Grad-CAM جهت شناسایی نواحی مؤثر در تصمیمگیری مدل استفاده شده است. نتایج نشان میدهد که مدل InceptionV3 با میانگین دقت 98.82 درصد و میانگین AUC برابر با 99.94 درصد، بهترین عملکرد را داشته است. لازم به ذکر است که تمامی ارزیابیهای این پژوهش بر روی داده های ماموگرافی مصنوعی انجام شده و نتایج به دست آمده پیش از کاربرد بالینی، نیازمند اعتبارسنجی مستقل بر روی مجموعه دادههای واقعی از مراکز تصویربرداری گوناگون است. این یافته ها حاکی از آن است که بهرهگیری از مدلهای یادگیری انتقالی همراه با روشهای توضیح پذیری، می تواند مسیر مناسبی برای توسعه ابزارهای کمکی در تحلیل خودکار سطوح پوشش بافتی تصاویر ماموگرافی فراهم کند.