جلد 17 -                   جلد 17 - صفحات 345-334 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Achak A, Hedyehzadeh M. Assessing the Efficiency of Deep Learning Methods in Estimating the Malignancy of Bi-Rads 4 Breast Lesions Using Contrast-enhanced Spectral Mammography Images. Qom Univ Med Sci J 2023; 17 : 2756.1
URL: http://journal.muq.ac.ir/article-1-3600-fa.html
آچاک علی، هدیه‌زاده محمدرضا. ارزیابی عملکرد یادگیری عمیق در تشخیص سرطان پستان با استفاده از تصاویر ماموگرافی طیفی با کنتراست. مجله دانشگاه علوم پزشکی قم. 1402; 17 () :334-345

URL: http://journal.muq.ac.ir/article-1-3600-fa.html

ارزیابی عملکرد یادگیری عمیق در تشخیص سرطان پستان با استفاده از تصاویر ماموگرافی طیفی با کنتراست
علی آچاک1 ، محمدرضا هدیه‌زاده* 2
1- گروه مهندسی پزشکی، دانشکده فنی و مهندسی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران
2- باشگاه پژوهشگران جوان و نخبگان، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران. ، Mrhedyehzadeh@iaud.ac.ir
چکیده:   (635 مشاهده)
زمینه و هدف: در دسته چهارم از سیستم طبقه‌بندی BI-RADS یا به‌ عبارت دیگر دسته 4 BI-RADS احتمال میزان بدخیمی ضایعات بافت پستان بین 2 تا 95 درصد است که این امر تشخیص و در نتیجه درمان مورد‌نیاز برای بیمار را با چالش روبه‌رو خواهد ساخت. تصویربرداری ماموگرافی طیفی با کنتراست یکی از روش‌های کارآمد در تشخیص سرطان پستان است؛ بنابراین مطالعه‌‌ حاضر با هدف ارزیابی عملکرد تشخیصی تصاویر ماموگرافی طیفی با کنتراست در تعیین دقیق میزان بدخیمی دسته BI-RADS 4 در مراحل اولیه درمان سرطان پستان به مقایسه کارایی روش‌های یادگیری عمیق در این رابطه پرداخته است.
روش بررسی: در این مطالعه از 1408 ‌تصویر ماموگرافی طیفی با کنتراست شامل ضایعات مشکوک خوش‌خیم و بدخیم سرطان پستان دسته BI-RADS 4 استفاده شده است. ابتدا مرحله پیش‌پردازش با هدف حذف موارد نامطلوب و بهبود کیفیت تصویر و پس از آن ناحیه‌بندی ‌با هدف تمایز ناحیه تومور از بقیه تصویر اعمال شد. مرحله بعد در مطالعه حاضر، استخراج ویژگی از ناحیه تومور با استفاده از 3 شبکه عصبی کانولوشن و در نهایت طبقه‌بندی تصاویر با استفاده از روش‌های یادگیری ماشین است.
یافته‌ها: با توجه به روش کار پیشنهادی‌ عملکرد شبکه‌ Densenet-201 در استخراج ویژگی و روش نزدیک‌ترین همسایه (KNN) ‌در طبقه‌بندی با مقادیر حساسیت 99/2 درصد، اختصاصیت 97/5 درصد، صحت 98/57 درصد و 0/987 AUC  بهتر از سایر مدل‌های پیشنهادی گزارش شد.
نتیجه‌گیری: مدل پیشنهادی یادگیری عمیق با استفاده از تصاویر ماموگرافی طیفی با کنتراست، کارایی قابل‌توجهی در تشخیص میزان بدخیمی BI-RADS 4 در تشخیص زودهنگام و درمان به موقع سرطان پستان دارد.
شماره‌ی مقاله: 2756.1
واژه‌های کلیدی: تصاویر ماموگرافی طیفی باکنتراست، سیستم‌های کمکی، شبکه‌های عصبی کانولوشن
متن کامل [PDF 3892 kb]   (338 دریافت) |   |   متن کامل (HTML)  (392 مشاهده)  
نوع مطالعه: مقاله پژوهشي | موضوع مقاله: زنان
دریافت: 1401/8/13 | پذیرش: 1401/11/9 | انتشار: 1402/5/10
فهرست منابع
1. Mann L, Ranjan Nayak S. Recent advances on mammogram imaging for breast cancer analysis: A technological review. In: Das AK, Nayak J, Naik B, Dutta S, Pelusi D, editors. Computational Intelligence in Pattern Recognition. Berlin: Springer; 2022. [DOI:10.1007/978-981-16-2543-5_46] [DOI:10.1007/978-981-16-2543-5_46]
2. Altameem A, Mahanty C, Poonia RC, Saudagar AKJ, Kumar R. Breast cancer detection in mammography images using deep convolutional neural networks and fuzzy ensemble modeling techniques. Diagnostics. 2022; 12(8):1812. [DOI:10.3390/diagnostics12081812] [PMID] [PMCID] [DOI:10.3390/diagnostics12081812]
3. National Cancer Institute. Cancer statistics [Internet]. 2021 [Updated 2021 December 15]. Available from: [Link]
4. Hawkes N. Cancer survival data emphasise importance of early diagnosis. BMJ. 2019; 364:l408. [DOI:10.1136/bmj.1408] [DOI:10.1136/bmj.l408]
5. Tagliafico AS, Bignotti B, Rossi F, Signori A, Sormani MP, Valdora F, et al. Diagnostic performance of contrast-enhanced spectral mammography: Systematic review and meta-analysis. Breast. 2016; 28:13-9. [DOI:10.1016/j.breast.2016.04.008] [PMID] [DOI:10.1016/j.breast.2016.04.008]
6. Daniaux M, De Zordo T, Santner W, Amort B, Koppelstätter F, Jaschke W, et al Dual-energy contrast-enhanced spectral mammography (CESM). Arch Gynecol Obstet. 2015; 292(4):739-47. [DOI:10.1007/s00404-015-3693-2] [PMID] [DOI:10.1007/s00404-015-3693-2]
7. Heck L, Dierolf M, Jud C, Eggl E, Sellerer T, Mechlem K, et al. Contrast-enhanced spectral mammography with a compact synchrotron source. Plos One. 2019; 14(10):e0222816. [DOI:10.1371/journal.pone.0222816] [PMID] [PMCID] [DOI:10.1371/journal.pone.0222816]
8. Cheung YC, Lin YC, Wan YL, Yeow KM, Huang PC, Lo YF, et al. Diagnostic performance of dual-energy contrast-enhanced subtracted mammography in dense breasts compared to mammography alone: Interobserver blind-reading analysis. Eur Radiol. 2014; 24(10):2394-403. [DOI:10.1007/s00330-014-3271-1] [PMID] [DOI:10.1007/s00330-014-3271-1]
9. Fallenberg EM, Schmitzberger FF, Amer H, Ingold-Heppner B, Balleyguier C, Diekmann F, et al. Contrast-enhanced spectral mammography vs. mammography and MRI - clinical performance in a multi-reader evaluation. Eur Radiol. 2017; 27(7):2752-64. [DOI:10.1007/s00330-016-4650-6] [PMID] [DOI:10.1007/s00330-016-4650-6]
10. Mercado CL. BI-RADS update. Radiol Clin North Am. 2014; 52(3):481-7. [DOI:10.1016/j.rcl.2014.02.008] [PMID] [DOI:10.1016/j.rcl.2014.02.008]
11. Zhang R, Wei W, Li R, Li J, Zhou Z, Ma M, et al. An MRI-based radiomics model for predicting the benignity and malignancy of BI-RADS 4 breast lesions. Front Oncol. 2022; 11:733260. [DOI:10.3389/fonc.2021.733260] [PMID] [PMCID] [DOI:10.3389/fonc.2021.733260]
12. Danala G, Patel B, Aghaei F, Heidari M, Li J, Wu T, et al. Classification of breast masses using a computer-aided diagnosis scheme of contrast enhanced digital mammograms. Ann Biomed Eng. 2018; 46(9):1419-31. [DOI:10.1007/s10439-018-2044-4] [PMID] [PMCID] [DOI:10.1007/s10439-018-2044-4]
13. Lopez-Almazan H, Javier Pérez-Benito F, Larroza A, Perez-Cortes JC, Pollan M, Perez-Gomez B, et al. A deep learning framework to classify breast density with noisy labels regularization. Comput Methods Programs Biomed. 2022; 221:106885. [DOI:10.1016/j.cmpb.2022.106885] [PMID] [DOI:10.1016/j.cmpb.2022.106885]
14. Elezaby M, Li G, Bhargavan-Chatfield M, Burnside ES, DeMartini WB. ACR BI-RADS assessment category 4 subdivisions in diagnostic mammography: Utilization and outcomes in the national mammography database. Radiology. 2018; 287(2):416-22. [DOI:10.1148/radiol.2017170770] [PMID] [PMCID] [DOI:10.1148/radiol.2017170770]
15. Kuhl CK. Abbreviated magnetic resonance imaging (MRI) for breast cancer screening: Rationale, concept, and transfer to clinical practice. Annu Rev Med. 2019; 70:501-19. [DOI:10.1146/annurev-med-121417-100403] [PMID] [DOI:10.1146/annurev-med-121417-100403]
16. Hamidinekoo A, Denton E, Rampun A, Honnor K, Zwiggelaar R. Deep learning in mammography and breast histology, an overview and future trends. Med Image Anal. 2018; 47:45-67. [DOI:10.1016/j.media.2018.03.006] [PMID] [DOI:10.1016/j.media.2018.03.006]
17. Zheng X, Yao Z, Huang Y, Yu Y, Wang Y, Liu Y, et al. Deep learning radiomics can predict axillary lymph node status in early-stage breast cancer. Nat Commun. 2020; 11(1):1236. [DOI:10.1038/s41467-020-15027-z] [PMID] [PMCID] [DOI:10.1038/s41467-020-15027-z]
18. Hinton GE, Srivastava N, Krizhevsky A, Sutskever I, Salakhutdinov RR. Improving neural networks by preventing co-adaptation of feature detectors. arXiv. 2012. [Unpublished]. [DOI:10.48550/arXiv.1207.0580]
19. Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv. 2014. [Unpublished]. [DOI:10.48550/arXiv.1409.1556]
20. Ehteshami Bejnordi B, Mullooly M, Pfeiffer RM, Fan S, Vacek PM, Weaver DL, et al. Using deep convolutional neural networks to identify and classify tumor-associated stroma in diagnostic breast biopsies. Mod Pathol. 2018; 31(10):1502-12. [DOI:10.1038/s41379-018-0073-z] [PMID] [PMCID] [DOI:10.1038/s41379-018-0073-z]
21. Liu H, Chen Y, Zhang Y, Wang L, Luo R, Wu H, et al. A deep learning model integrating mammography and clinical factors facilitates the malignancy prediction of BI-RADS 4 microcalcifications in breast cancer screening. Eur Radiol. 2021; 31(8):5902-12. [DOI:10.1007/s00330-020-07659-y] [PMID] [DOI:10.1007/s00330-020-07659-y]
22. Long R, Cao K, Cao M, Li XT, Gao F, Zhang FD, et al. Improving the diagnostic accuracy of breast bi-rads 4 microcalcification-only lesions using contrast-enhanced mammography. Clin Breast Cancer. 2021; 21(3):256-62. [DOI:10.1016/j.clbc.2020.10.011] [PMID] [DOI:10.1016/j.clbc.2020.10.011]
23. Song J, Zheng Y, Zakir Ullah M, Wang J, Jiang Y, Xu C, et al. Multiview multimodal network for breast cancer diagnosis in contrast-enhanced spectral mammography images. Int J Comput Assist Radiol Surg. 2021; 16(6):979-88. [DOI:10.1007/s11548-021-02391-4] [PMID] [DOI:10.1007/s11548-021-02391-4]
24. Patel BK, Ranjbar S, Wu T, Pockaj BA, Li J, Zhang N, et al. Computer-aided diagnosis of contrast-enhanced spectral mammography: A feasibility study. Eur J Radiol. 2018; 98:207-13. [DOI:10.1016/j.ejrad.2017.11.024] [PMID] [DOI:10.1016/j.ejrad.2017.11.024]
25. Fanizzi A, Losurdo L, Basile TMA, Bellotti R, Bottigli U, Delogu P, et al. Fully automated support system for diagnosis of breast cancer in contrast-enhanced spectral mammography images. J Clin Med. 2019; 8(6):891. [DOI:10.3390/jcm8060891] [PMID] [PMCID] [DOI:10.3390/jcm8060891]
26. Dominique C, Callonnec F, Berghian A, Defta D, Vera P, Modzelewski R, et al. Deep learning analysis of contrast-enhanced spectral mammography to determine histoprognostic factors of malignant breast tumours. Eur Radiol. 2022; 32(7):4834-44. [DOI:10.1007/s00330-022-08538-4] [PMID] [PMCID] [DOI:10.1007/s00330-022-08538-4]
27. Gao F, Wu T, Li J, Zheng B, Ruan L, Shang D, et al. SD-CNN: A shallow-deep CNN for improved breast cancer diagnosis. Comput Med Imaging Graph. 2018; 70:53-62. [DOI:10.1016/j.compmedimag.2018.09.004] [PMID] [DOI:10.1016/j.compmedimag.2018.09.004]
28. Khaled R, Helal M, Alfarghaly O, Mokhtar O, Elkorany A, El Kassas H, et al. Categorized contrast enhanced mammography dataset for diagnostic and artificial intelligence research. Sci Data. 2022; 9(1):122. [DOI:10.1038/s41597-022-01238-0] [PMID] [PMCID] [DOI:10.1038/s41597-022-01238-0]
29. Khaled R, Helal M, Alfarghaly O, Mokhtar O, Elkorany A, El Kassas H, et al. Categorized digital database for low energy and subtracted contrast enhanced spectral mammography images (CDD-CESM). Cancer Imaging Arch. 2021. [DOI:10.7937/29kw-ae92]
30. Perek S, Kiryati N, Zimmerman-Moreno G, Sklair-Levy M, Konen E, Mayer A. Classification of contrast-enhanced spectral mammography (CESM) images. Int J Comput Assist Radiol Surg. 2019; 14(2):249-57. [DOI:10.1007/s11548-018-1876-6] [PMID] [DOI:10.1007/s11548-018-1876-6]
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله دانشگاه علوم پزشکی قم می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق
© 2025 CC BY-NC 4.0 | Qom University of Medical Sciences Journal

Designed & Developed by : Yektaweb