جلد 17 -
جلد 17 - صفحات 345-334 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
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
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
علی آچاک1 
، محمدرضا هدیه‌زاده* 2
، 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
2- باشگاه پژوهشگران جوان و نخبگان، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران. ،
متن کامل [PDF 3892 kb]
(339 دریافت)
| چکیده (HTML) (642 مشاهده)
متن کامل: (395 مشاهده)
مقدمه
سرطان پستان یکی از شایع‌ترین انواع سرطان و مهم‌ترین تهدید جدی برای سلامت زنان محسوب می‌شود .[1، 2]. این عارضه موجب ابتلای بیش از 281550 نفر و مرگ‌و‌میر بیش از 43600 نفر از زنان ایالات متحده آمریکا در سال 2020 شده است [3]. تشخیص زودهنگام این بیماری تأثیر بسزایی بر بقا و کیفیت زندگی فرد داشته، به‌طوری که تشخیص و درمان به‌موقع موجب افزایش 80 تا 90 درصدی بقای فرد در 5 سال خواهد شد. به‌کارگیری یک روش غربالگری دقیق می‌تواند در تشخیص زودهنگام این سرطان و در نتیجه کاهش مرگ‌و‌میر ناشی از آن نقش بسزایی داشته باشد [4].
ماموگرافی طیفی با کنتراست یک تکنیک تصویربرداری است که در آن با استفاده از تزریق ماده حاجب به بیمار و افزایش کنتراست در نواحی مشکوک ناحیه سینه قابلیت تشخیصی به طرز قابل‌توجهی افزایش می‌یابد [5]. در این تکنیک دو تصویربرداری جداگانه انجام می‌شود و یک تصویر کم‌انرژی مشابه تصاویر ماموگرافی دیجتال معمولی و یک تصویر پر‌انرژی به دست می‌آید. در ادامه با استفاده از یک الگوریتم بازسازی مخصوص و به کمک تفریق دو تصویر، یک تصویر ترکیبی حاصل می‌شود [6، 7].
ماموگرافی طیفی با کنتراست در تشخیص اولیه سرطان پستان در بافت‌های متراکم قابلیت قابل‌توجهی به نسبت ماموگرافی معمولی و اِم‌آر‌آی (حساس‌ترین روش) داشته است که نشاندهنده توانایی بالا در غربالگری سرطان پستان است [8، 9]. BI-RADS یک سیستم ارزیابی ریسک مخصوص توده‌های ناحیه سینه است که در آن رادیولوژیست‌ها با توجه به شواهد موجود در تصاویر ماموگرافی، اولتراسوند و یا تشدید مغناطیسی ضایعات را به 7 دسته تقسیم می‌کنند. در پنجمین ویرایش از این سیستم امتیازبندی که در سال 2013 به‌روزرسانی شد، ضایعات دستهBI-RADS 4 دارای احتمال 2 تا 95 درصدی از بدخیمی هستند [10].
به عبارت دیگر، چنانچه بیماری طبق این سیستم امتیازبندی در دسته چهارم قرار بگیرد، احتمال بدخیم بودن توده سرطانی موجود در بدن فرد از 2 تا 95 درصد متغیر بوده و بیان چنین گستره وسیعی از درصد احتمال بدخیمی باعث سردرگمی انکولوژیست و ابهام او در بدخیم یا خوش‌خیم بودن ضایعه می‌شود؛ بنابراین در این حالت، انجام آزمایشات تشخیصی تکمیلی مانند اسکن ثانویه، بیوپسی و غیره اجتناب‌ناپذیر بوده و این امر به احتمال بسیار زیاد موجب افزایش دُز جذبی، انجام فرایند تهاجمی مانند جراحی جهت بیوپسی و تحمیل هزینه بیشتر برای بیمار خواهد شد [11-15].
با توجه به همه موارد ذکر‌شده، تعیین دقیق میزان بدخیمی ضایعات دستهBI-RADS 4 توسط یک روش غیرتهاجمی و ترجیحاً تنها با استفاده از تصاویر پزشکی از اهمیت بالایی برخوردار است. امروزه به‌کارگیری روش‌های هوش مصنوعی و به‌ویژه روش‌های یادگیری ماشین کمک شایانی در استخراج پارامترهایی مانند درجه بدخیمی‌ها از تصاویر پزشکی کرده است. یکی از الگوریتم‌های یادگیری ماشین بسیار پر‌کاربرد در پردازش تصاویر پزشکی، شبکه‌های عصبی عمیق و به‌ویژه شبکه‌های عصبی کانولوشنال است [16-19].
شبکه‌های عصبی کانولوشن دسته‌ای از شبکه‌های عصبی عمیق هستند که می‌توانند تصاویر پزشکی را به‌عنوان ورودی دریافت کرده، ناحیه مورد‌نظر (ناحیه تومور) را از سایر نواحی تصویر جدا کرده، از تصویر ویژگی استخراج کنند و از این ویژگی‌ها برای طبقه‌بندی تصاویر به دسته‌های مورد‌نظر (مثلاً خوش‌خیم یا بدخیم) استفاده کنند [20، 21]. این شبکه‌ها ابزار بسیار کارآمدی برای هدف این مطالعه و تعیین میزان بدخیمی تصاویر ماموگرافی طیفی با کنتراست دسته BI-RADS 4 هستند [22-25]. هدف از این مطالعه، به‌کارگیری شبکه‌های عصبی کانولوشن، اعمال آن‌ها به تصاویر ماموگرافی طیفی با کنتراست بیماران دچار سرطان پستان دسته BI-RADS 4 و تعیین میزان بدخیمی آن‌هاست [26، 27].
مواد و روش‌ها
دادگان
در این مطالعه از تصاویر ماموگرافی طیفی با کنتراست افراد مبتلا به سرطان پستان موجود در پایگاه داده CDD-CESM در پورتال TCIA که به‌صورت رایگان در دسترس عموم قرار دارد، استفاده شده است [28، 29]. در این مجموعه، تصاویر ماموگرافی طیفی با کنتراست شامل 2 نوع تصویر کم‌انرژی و ترکیبی 326 بیمار زن مبتلا به سرطان پستان موجود است. با توجه به هدف مطالعه تصاویر موجود در دسته BI-RADS 4 نیاز است که تعداد 298 تصویر در این دسته قرار گیرند. از این تعداد 68 ضایعه خوش‌خیم و 230 ضایعه بدخیم از نمای کرانیوکودال و مایل میانی جانبی وجود دارد. به‌علت نبود تعادل بین تعداد تصاویر موجود در 2 کلاس (بدخیم و خوش‌خیم) و با هدف ایجاد توازن و تولید دسته‌های متعادل، بیش از نیمی از ضایعات بدخیم به‌صورت تصادفی از مطالعه خارج شد. در نهایت، مطالعه با استفاده از مجموع 108 ضایعه بدخیم و 68 ضایعه خوش‌خیم دسته BI-RADS 4 که شامل هر دو نمای کرانیوکودال و مایل میانی جانبی تصاویر کم‌انرژی و ترکیبی با سایز تصاویر 2355*1315 است، انجام شده است.
پیش‌پردازش
دادگان مورد‌نظر تصاویر ماموگرافی طیفی با کنتراست با استفاده از تجهیزات استاندارد ماموگرافی دیجیتال ثبت شده‌اند که این تصاویر به‌صورت ذاتی نویز دارند. بدین منظور برای افزایش کیفیت و بهبود تصاویر در راستای افزایش عملکرد شبکه پیشنهادی و طبقه‌بندی مناسب، ضایعات بافت پستان دادگان در این مرحله پیش‌پردازش می‌شوند. در عملیات پیش‌پردازش ابتدا فیلتر میانه با اندازه 3*3*3 با هدف حذف نویز از تصاویر اعمال شده است. در گام بعد با هدف بهبود تفکیک‌پذیری و افزایش دامنه شدت روشنایی تصاویر کشش کنتراست انجام شد. در گام نهایی با توجه به اینکه حاشیه و لبه تصاویر در محاسبات مزاحم تلقی می‌شوند، با فیلتر مورفولوژیک سایش با اندازه دیسک 2 اعمال شده است.
ناحیه‌بندی
در این مطالعه، پردازش و تصمیم‌گیری متمرکز بر ناحیه توده سرطانی است. محدوده ناحیه توده سرطانی توسط متخصصین رادیوژیست به همراه تصاویر اصلی در منابع پایگاه داده درج شده بود [28، 29]. بدین ترتیب، ناحیه مورد‌نظر و دلخواه که شامل ناحیه توده می‌شود، به‌صورت دستی با توجه به اطلاعات موجود از سایر بافت جداسازی می‌شود. سایر نواحی غیرضروری در راستای افزایش سرعت پردازش و عدم تأثیر در تصمیم‌گیری حذف می‌شوند و در ناحیه‌بندی صرفاً ناحیه توده مشکوک به دست آمده است. همچنین تصاویر ناحیه‌بندی‌شده مجدداً توسط یک متخصص رادیولوژیست با سابقه 8 ساله بررسی شده‌اند که تأیید نهایی صحت ناحیه‌بندی ناحیه توده مشکوک انجام شده است.
مدل شبکه پیشنهادی
در این مطالعه، شبکه عصبی کانولوشن بر دادگان مورد‌نظر اعمال شده است. شبکه عصبی کانولوشن کارایی منحصر‌به‌فرد در خصوص استخراج ویژگی از تصاویر به‌صورت خودکار دارد [16، 30]. در این مرحله، ابتدا برای همسان‌سازی دادگان و افزایش سرعت پردازش اندازه تصاویر به 3*224*224 تبدیل می‌شوند (تصویر شماره 1).
همچنین با توجه به ماهیت شبکه‌های یادگیری عمیق و نیاز به تعداد بالای تصاویر برای آموزش و طبقه‌بندی با دقت بالا، افزایش تعداد داده با استفاده از روش چرخش تصاویر در زاویه‌های مختلف همچون 45، 45-، 90، 90-، 135، 180 و 225 انجام شد. با این تفاسیر، مجموعاً 1408 تصویر شامل 544 ضایعه خوش‌خیم و 846 ضایعه بدخیم از تصاویر کم‌انرژی و ترکیبی ماموگرافی طیفی با کنتراست به دست آمده است.
این تصاویر پس از مراحل پیش‌پردازش، جداسازی ناحیه توده، افزایش داده و همسان‌سازی اندازه تصاویر به‌عنوان ورودی شبکه پیشنهادی اعمال می‌شوند. مدل پیشنهادی مبتنی بر شبکه عصبی کانولوشن است و در این مطالعه از مجموع کل تصاویر 70 درصد آن‌ها به دادگان آموزش، 15 درصد اعتبارسنجی و 15 درصد باقی‌مانده به‌عنوان دادگان آزمایش اختصاص می‌یابد. پس از آن با استفاده از شبکه‌های عصبی عمیق از پیش آموزش‌دیده Densenet-201 ،Resnet-101 وInception-v3 استخراج ویژگی به‌صورت پیکسل به پیکسل از هر تصویر انجام می‌شود.
ویژگی‌های مذکور در این شبکه‌ها از آخرین لایه کانولوشن قابل استخراج است که در شبکه Densenet-201 ،Resnet-101 وInception-v3 به ترتیب 1920، 2048 و 2048 ویژگی مختلف از هر تصویر استخراج می‌شود. پس از آن مرحله نهایی و طبقه‌بندی توسط ویژگی‌های مستخرج توسط 3 طبقه‌بند نزدیک‌ترین همسایه، ماشین‌بردار پشتیبان و شبکه عصبی پیشخور مطابق تصویر شماره 1 انجام می‌شود.
ارزیابی عملکرد
برای ارزیابی عملکرد مدل‌های پیشنهادی در این مطالعه از پارامترهای صحت، حساسیت، اختصاصیت و ناحیه زیر‌منحنی ROC که تعریف هریک در فرمول شماره 1 قابل مشاهده است، استفاده شده است.
1.
در استفاده از این تعاریف ذکر این نکته اهمیت دارد که کیس مثبت، نشانگر بدخیم بودن و کیس منفی، نشانگر خوش‌خیم بودن آن است. از این رو،TP ،FP ،TN و FN به ترتیب نشاندهنده تعداد ضایعات بدخیم درست، خوش‌خیم درست، بدخیم نادرست و ضایعات خوش‌خیم نادرست هستند. همچنین برای اعتبارسنجی به مدل پیشنهادی و نتایج به‌دست‌آمده دادگان به‌صورت تصادفی در 3 گروه آموزش، اعتبارسنجی و آزمایش در 100 مرتبه اجرا تجزیه‌و‌تحلیل شدند. همه پردازش‌های مربوطه در نرم‌افزار متلب 2021aبا 11th Gen Intel(R) Core(TM) i7-11800H@ 2.30GHz 2.30 GH و NVIDIA GeForce RTX 3050 Ti Laptop GPU 4GB انجام شده است. همچنین محاسبات آماری در نرم‌افزار GraphPad Prism 9.4.1 انجام شده است.
یافته‌ها
در این مطالعه، عملکرد روش‌های مختلف یادگیری ماشین برای تخمین میزان بدخیمی توده‌های سرطان پستان BI-RADS 4 در 1408 تصاویر ماموگرافی طیفی با کنتراست مقایسه شد. بعد از انجام فرایند پیش‌پردازش و آماده‌سازی دادگان، مراحل مختلفی مانند ناحیه‌بندی برای استخراج منطقه تومور از کل تصویر و پس از آن استفاده از شبکه‌های عصبی عمیقDensenet-201 ،Resnet-101 و Inception-v3 انجام شد.
این فرایند با هدف استخراج ویژگی از تصاویر توسط شبکه‌های از پیش آموزش‌دیده فوق‌الذکر انجام شد که در نهایت، به ترتیب 1920، 2048 و 2048 ویژگی از هر تصویر استخراج شد. پس از آن با استفاده از طبقه‌بندهای نزدیک‌ترین همسایه، ماشین‌بردار پشتیبان و شبکه عصبی پیشخور داده‌ها به طبقات خوش‌خیم و بدخیم تقسیم شدند که نتایج حاصل از طبقه‌بندی مذکور در جدول شماره 1 قابل مشاهده است.
در این ارزیابی، مدل ترکیبی Densenet-201 با طبقه‌بند نزدیک‌ترین همسایه نسبت به سایر مدل‌ها عملکرد بهتری داشته است. این مدل پیشنهادی توانسته است مقدار حساسیت 2/99 درصد، اختصاصیت 5/97 درصد، صحت 57/98 درصد و مساحت زیر‌منحنی 987/0 داشته باشد (تصویر شماره 2). همچنین در راستای اعتبارسنجی نتایج و توانایی عملکرد مدل پیشنهادی نتایج این مطالعه با آخرین پژوهش‌های مرتبط مقایسه شده است. این مقایسه نشاندهنده قابلیت ارزشمند مدل پیشنهادی در برابر سایر روش‌های مرتبط است که توانسته است با استفاده از تصاویر کم‌انرژی و ترکیبی در 2 نمای کرانیوکودال و مایل میانی جانبی مجزا نسبت به آن برتری قابل‌توجهی داشته باشد.
بحث
در این مطالعه، شبکه پیشنهادی توانست با استفاده از تصاویر ماموگرافی طیفی با کنتراست میزان بدخیمی بیماران سرطان پستان دستهBI-RADS 4 را به‌صورت غیرتهاجمی با عملکرد بسیار مناسب نسبت به سایر مطالعات پیشین مطابق جدول شماره 2 تعیین کند. این پژوهش در راستای کاهش بیوپسی‌های غیرضروری و تشخیص و درمان به‌موقع بیماران توسط پزشکان حاصل پذیرفته است. این مدل پیشنهادی می‌تواند به‌عنوان یک ابزار کمکی در درمان به‌موقع و مطمئن نقش مهمی داشته باشد تا پزشکان به‌صورت غیرتهاجمی بدون اطلاعات بالینی صرفاً با استفاده از یک تصویر فرد مشکوک به دسته BI-RADS 4 سرطان پستان طبقه‌بندی مناسبی را انجام دهند. در نهایت، این فرایند سبب افزایش بقای افراد مبتلا و کاهش درمان غیرضروری افراد مشکوک به این عارضه می‌شود.
امروزه هوش مصنوعی جایگاه ویژه‌ای در حوزه سلامت در خصوص تشخیص بیماری‌های مختلف دارد [17]. از این میان، می‌توان به بیماری‌های بافت پستان اشاره کرد که در حال حاضر پیشرفت‌های چشمگیر در این زمینه توانسته است با استفاده از ویژگی‌های برگرفته از تصاویر افراد مشکوک به این عارضه با یک روش غیرتهاجمی در کوتاه‌ترین زمان مناسب‌ترین تشخیص را پیدا کند [18].
در مطالعات این حوزه سعی شده است با استفاده از شبکه‌های عصبی کانولوشن تشخیص سرطان پستان با صحت بالا انجام شود [26]. بدین ترتیب کاربرد روش‌های یادگیری ماشین و به‌ویژه یادگیری عمیق در ناحیه‌بندی و طبقه‌بندی توانسته میزان بدخیمی تصاویر ماموگرافی معمولی را بیان کند [8، 10]. این تلاش‌ها منجر به انجام آزمایشات مختلف یادگیری ماشین و یادگیری عمیق، به‌ویژه شبکه های عصبی کانولوشن در تشخیص بدخیمی ضایعات مشکوک به سرطان تهاجمی و بدخیمی بوده است که نتایج قابل‌قبولی به همراه داشته است [22]. اما پس از ظهور ماموگرافی طیفی با کنتراست که ارزش تشخیصی مشابه اِم‌آر‌آی را در تشخیص سرطان پستان دارد، اعمال تکنیک‌های پردازش تصویر و الگوریتم‌های یادگیری عمیق موجب رشد چشمگیری در تشخیص غیرتهاجمی، در زمان کوتاه، بدون تجربه خیلی قابل توجه در موقعیت‌ها و مکان‌های مختلف شده است که تاکنون در این زمینه نتایج امیدوار‌کننده‌ای رقم خورده است [9، 30].
بدین ترتیب در این مطالعه با استفاده از تکنیک‌های پیش‌پردازش و اعمال الگوریتم‌های یادگیری عمیق توانسته‌ایم در تشخیص و طبقه‌بندی میزان بدخیم دسته BI-RADS 4 تصاویر ماموگرافی طیفی با کنتراست در نماهای مختلف کم‌انرژی و ترکیبی عملکرد بسیار مناسبی داشته باشیم. این ابزار نویدبخش تشخیص‌های غیرتهاجمی و ایمن را با استفاده از الگوریتم‌های هوش مصنوعی می‌دهد که در سلامت، پیش‌بینی نتایج درمان، کاهش هزینه و وقت بیماران و پزشکان و بارِ روانی تأثیر بسزایی می‌تواند ایفا کند. مطالعه دسته BI-RADS 4 تصاویر ماموگرافی طیفی با کنتراست برای اولین است که بر دادگان در دسترس عموم که دارای تصاویر در 2 نمای مختلف کم‌انرژی و ترکیبی است، به دست می‌آید.
مطالعات قبلی همگی بر دادگان محدود جمع‌آوری شده از یک مرکز پزشکی تمرکز داشته، در حالی که در این مطالعه دادگان با دسترسی آزاد جمع‌آوری شده از چند مرکز پزشکی استفاده شده است. در مطالعات قبلی تصاویر گرفته‌شده از یک نما استفاده شده، در حالی که در این مطالعه تصاویر نماهای مختلف که به احتمال بسیار زیاد هریک حاوی اطلاعات متفاوتی از ضایعه است، به کار رفته است.
از مزایای دیگر این مطالعه، تعداد تصاویر زیاد به کار رفته، تمرکز بر ناحیه تومور (و نه کل تصویر پستان) در همه پردازش‌ها، استفاده از تصاویر ماموگرافی طیفی با کنتراست به جای تصاویر ماموگرافی معمولی اشاره کرد. در آینده پیشنهاد می‌شود که روش‌های سنتی یادگیری ماشین برای استخراج ویژگی، الگوریتم‌های ناحیه‌بندی خودکار و طبقه‌بندهای یادگیری عمیق استفاده شود تا با این کار یک سیستم خودکار با جامعه آماری قابل‌توجه و روش‌های مختلف یادگیری ماشین را پوشش دهد.
نتیجه‌گیری
پیشرفت‌های اخیر در حوزه هوش مصنوعی سبب شده تا بسیاری از مشکلات حوزه سلامت برطرف شود. این توانایی الگوریتم‌های هوش مصنوعی موجب تشخیص زودهنگام و درمان به‌موقع افراد مبتلا به عارضه شده است. همچنین مدل‌های رادیومیک تصویربرداری قابلیت تشخیص‌های بصری را برای متخصصین فراهم آورده است.
ترکیب مدل‌های رادیومیک و الگوریتم‌های هوش مصنوعی توانسته است بسیاری از مشکلات تشخیصی را برطرف کند و این امر سبب شده است که روش درمانی و تشخیص مناسبی از فرد مشکوک به عارضه انجام شود و در نتیجه موجب افزایش بقای فرد، کاهش هزینه‌های درمان و جلوگیری از مراحل درمان غیرضروری می‌شود. امروزه این مدل ترکیبی به‌عنوان ابزار مطمئن و با کارایی بالا توانسته است در تشخیص و درمان بیماری مفید و مؤثر واقع شود.
ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
در این مطالعه تمام اصول و ملاحظات اخلاقی مرتبط با چارچوب اخلاق پژوهشی و ضوابط مجله رعایت شده است.
حامی مالی
این پژوهش حامی مالی نداشته است و با هزینه شخصی انجام شده است.
مشارکت نویسندگان
همه نویسندگان به طور یکسان در تهیه این مقاله مشارکت داشتند.
تعارض منافع
بنابر اظهار نویسندگان، این مقاله تعارض منافع ندارد.
سرطان پستان یکی از شایع‌ترین انواع سرطان و مهم‌ترین تهدید جدی برای سلامت زنان محسوب می‌شود .[1، 2]. این عارضه موجب ابتلای بیش از 281550 نفر و مرگ‌و‌میر بیش از 43600 نفر از زنان ایالات متحده آمریکا در سال 2020 شده است [3]. تشخیص زودهنگام این بیماری تأثیر بسزایی بر بقا و کیفیت زندگی فرد داشته، به‌طوری که تشخیص و درمان به‌موقع موجب افزایش 80 تا 90 درصدی بقای فرد در 5 سال خواهد شد. به‌کارگیری یک روش غربالگری دقیق می‌تواند در تشخیص زودهنگام این سرطان و در نتیجه کاهش مرگ‌و‌میر ناشی از آن نقش بسزایی داشته باشد [4].
ماموگرافی طیفی با کنتراست یک تکنیک تصویربرداری است که در آن با استفاده از تزریق ماده حاجب به بیمار و افزایش کنتراست در نواحی مشکوک ناحیه سینه قابلیت تشخیصی به طرز قابل‌توجهی افزایش می‌یابد [5]. در این تکنیک دو تصویربرداری جداگانه انجام می‌شود و یک تصویر کم‌انرژی مشابه تصاویر ماموگرافی دیجتال معمولی و یک تصویر پر‌انرژی به دست می‌آید. در ادامه با استفاده از یک الگوریتم بازسازی مخصوص و به کمک تفریق دو تصویر، یک تصویر ترکیبی حاصل می‌شود [6، 7].
ماموگرافی طیفی با کنتراست در تشخیص اولیه سرطان پستان در بافت‌های متراکم قابلیت قابل‌توجهی به نسبت ماموگرافی معمولی و اِم‌آر‌آی (حساس‌ترین روش) داشته است که نشاندهنده توانایی بالا در غربالگری سرطان پستان است [8، 9]. BI-RADS یک سیستم ارزیابی ریسک مخصوص توده‌های ناحیه سینه است که در آن رادیولوژیست‌ها با توجه به شواهد موجود در تصاویر ماموگرافی، اولتراسوند و یا تشدید مغناطیسی ضایعات را به 7 دسته تقسیم می‌کنند. در پنجمین ویرایش از این سیستم امتیازبندی که در سال 2013 به‌روزرسانی شد، ضایعات دستهBI-RADS 4 دارای احتمال 2 تا 95 درصدی از بدخیمی هستند [10].
به عبارت دیگر، چنانچه بیماری طبق این سیستم امتیازبندی در دسته چهارم قرار بگیرد، احتمال بدخیم بودن توده سرطانی موجود در بدن فرد از 2 تا 95 درصد متغیر بوده و بیان چنین گستره وسیعی از درصد احتمال بدخیمی باعث سردرگمی انکولوژیست و ابهام او در بدخیم یا خوش‌خیم بودن ضایعه می‌شود؛ بنابراین در این حالت، انجام آزمایشات تشخیصی تکمیلی مانند اسکن ثانویه، بیوپسی و غیره اجتناب‌ناپذیر بوده و این امر به احتمال بسیار زیاد موجب افزایش دُز جذبی، انجام فرایند تهاجمی مانند جراحی جهت بیوپسی و تحمیل هزینه بیشتر برای بیمار خواهد شد [11-15].
با توجه به همه موارد ذکر‌شده، تعیین دقیق میزان بدخیمی ضایعات دستهBI-RADS 4 توسط یک روش غیرتهاجمی و ترجیحاً تنها با استفاده از تصاویر پزشکی از اهمیت بالایی برخوردار است. امروزه به‌کارگیری روش‌های هوش مصنوعی و به‌ویژه روش‌های یادگیری ماشین کمک شایانی در استخراج پارامترهایی مانند درجه بدخیمی‌ها از تصاویر پزشکی کرده است. یکی از الگوریتم‌های یادگیری ماشین بسیار پر‌کاربرد در پردازش تصاویر پزشکی، شبکه‌های عصبی عمیق و به‌ویژه شبکه‌های عصبی کانولوشنال است [16-19].
شبکه‌های عصبی کانولوشن دسته‌ای از شبکه‌های عصبی عمیق هستند که می‌توانند تصاویر پزشکی را به‌عنوان ورودی دریافت کرده، ناحیه مورد‌نظر (ناحیه تومور) را از سایر نواحی تصویر جدا کرده، از تصویر ویژگی استخراج کنند و از این ویژگی‌ها برای طبقه‌بندی تصاویر به دسته‌های مورد‌نظر (مثلاً خوش‌خیم یا بدخیم) استفاده کنند [20، 21]. این شبکه‌ها ابزار بسیار کارآمدی برای هدف این مطالعه و تعیین میزان بدخیمی تصاویر ماموگرافی طیفی با کنتراست دسته BI-RADS 4 هستند [22-25]. هدف از این مطالعه، به‌کارگیری شبکه‌های عصبی کانولوشن، اعمال آن‌ها به تصاویر ماموگرافی طیفی با کنتراست بیماران دچار سرطان پستان دسته BI-RADS 4 و تعیین میزان بدخیمی آن‌هاست [26، 27].
مواد و روش‌ها
دادگان
در این مطالعه از تصاویر ماموگرافی طیفی با کنتراست افراد مبتلا به سرطان پستان موجود در پایگاه داده CDD-CESM در پورتال TCIA که به‌صورت رایگان در دسترس عموم قرار دارد، استفاده شده است [28، 29]. در این مجموعه، تصاویر ماموگرافی طیفی با کنتراست شامل 2 نوع تصویر کم‌انرژی و ترکیبی 326 بیمار زن مبتلا به سرطان پستان موجود است. با توجه به هدف مطالعه تصاویر موجود در دسته BI-RADS 4 نیاز است که تعداد 298 تصویر در این دسته قرار گیرند. از این تعداد 68 ضایعه خوش‌خیم و 230 ضایعه بدخیم از نمای کرانیوکودال و مایل میانی جانبی وجود دارد. به‌علت نبود تعادل بین تعداد تصاویر موجود در 2 کلاس (بدخیم و خوش‌خیم) و با هدف ایجاد توازن و تولید دسته‌های متعادل، بیش از نیمی از ضایعات بدخیم به‌صورت تصادفی از مطالعه خارج شد. در نهایت، مطالعه با استفاده از مجموع 108 ضایعه بدخیم و 68 ضایعه خوش‌خیم دسته BI-RADS 4 که شامل هر دو نمای کرانیوکودال و مایل میانی جانبی تصاویر کم‌انرژی و ترکیبی با سایز تصاویر 2355*1315 است، انجام شده است.
پیش‌پردازش
دادگان مورد‌نظر تصاویر ماموگرافی طیفی با کنتراست با استفاده از تجهیزات استاندارد ماموگرافی دیجیتال ثبت شده‌اند که این تصاویر به‌صورت ذاتی نویز دارند. بدین منظور برای افزایش کیفیت و بهبود تصاویر در راستای افزایش عملکرد شبکه پیشنهادی و طبقه‌بندی مناسب، ضایعات بافت پستان دادگان در این مرحله پیش‌پردازش می‌شوند. در عملیات پیش‌پردازش ابتدا فیلتر میانه با اندازه 3*3*3 با هدف حذف نویز از تصاویر اعمال شده است. در گام بعد با هدف بهبود تفکیک‌پذیری و افزایش دامنه شدت روشنایی تصاویر کشش کنتراست انجام شد. در گام نهایی با توجه به اینکه حاشیه و لبه تصاویر در محاسبات مزاحم تلقی می‌شوند، با فیلتر مورفولوژیک سایش با اندازه دیسک 2 اعمال شده است.
ناحیه‌بندی
در این مطالعه، پردازش و تصمیم‌گیری متمرکز بر ناحیه توده سرطانی است. محدوده ناحیه توده سرطانی توسط متخصصین رادیوژیست به همراه تصاویر اصلی در منابع پایگاه داده درج شده بود [28، 29]. بدین ترتیب، ناحیه مورد‌نظر و دلخواه که شامل ناحیه توده می‌شود، به‌صورت دستی با توجه به اطلاعات موجود از سایر بافت جداسازی می‌شود. سایر نواحی غیرضروری در راستای افزایش سرعت پردازش و عدم تأثیر در تصمیم‌گیری حذف می‌شوند و در ناحیه‌بندی صرفاً ناحیه توده مشکوک به دست آمده است. همچنین تصاویر ناحیه‌بندی‌شده مجدداً توسط یک متخصص رادیولوژیست با سابقه 8 ساله بررسی شده‌اند که تأیید نهایی صحت ناحیه‌بندی ناحیه توده مشکوک انجام شده است.
مدل شبکه پیشنهادی
در این مطالعه، شبکه عصبی کانولوشن بر دادگان مورد‌نظر اعمال شده است. شبکه عصبی کانولوشن کارایی منحصر‌به‌فرد در خصوص استخراج ویژگی از تصاویر به‌صورت خودکار دارد [16، 30]. در این مرحله، ابتدا برای همسان‌سازی دادگان و افزایش سرعت پردازش اندازه تصاویر به 3*224*224 تبدیل می‌شوند (تصویر شماره 1).
همچنین با توجه به ماهیت شبکه‌های یادگیری عمیق و نیاز به تعداد بالای تصاویر برای آموزش و طبقه‌بندی با دقت بالا، افزایش تعداد داده با استفاده از روش چرخش تصاویر در زاویه‌های مختلف همچون 45، 45-، 90، 90-، 135، 180 و 225 انجام شد. با این تفاسیر، مجموعاً 1408 تصویر شامل 544 ضایعه خوش‌خیم و 846 ضایعه بدخیم از تصاویر کم‌انرژی و ترکیبی ماموگرافی طیفی با کنتراست به دست آمده است.
این تصاویر پس از مراحل پیش‌پردازش، جداسازی ناحیه توده، افزایش داده و همسان‌سازی اندازه تصاویر به‌عنوان ورودی شبکه پیشنهادی اعمال می‌شوند. مدل پیشنهادی مبتنی بر شبکه عصبی کانولوشن است و در این مطالعه از مجموع کل تصاویر 70 درصد آن‌ها به دادگان آموزش، 15 درصد اعتبارسنجی و 15 درصد باقی‌مانده به‌عنوان دادگان آزمایش اختصاص می‌یابد. پس از آن با استفاده از شبکه‌های عصبی عمیق از پیش آموزش‌دیده Densenet-201 ،Resnet-101 وInception-v3 استخراج ویژگی به‌صورت پیکسل به پیکسل از هر تصویر انجام می‌شود.
ویژگی‌های مذکور در این شبکه‌ها از آخرین لایه کانولوشن قابل استخراج است که در شبکه Densenet-201 ،Resnet-101 وInception-v3 به ترتیب 1920، 2048 و 2048 ویژگی مختلف از هر تصویر استخراج می‌شود. پس از آن مرحله نهایی و طبقه‌بندی توسط ویژگی‌های مستخرج توسط 3 طبقه‌بند نزدیک‌ترین همسایه، ماشین‌بردار پشتیبان و شبکه عصبی پیشخور مطابق تصویر شماره 1 انجام می‌شود.
ارزیابی عملکرد
برای ارزیابی عملکرد مدل‌های پیشنهادی در این مطالعه از پارامترهای صحت، حساسیت، اختصاصیت و ناحیه زیر‌منحنی ROC که تعریف هریک در فرمول شماره 1 قابل مشاهده است، استفاده شده است.
1.
در استفاده از این تعاریف ذکر این نکته اهمیت دارد که کیس مثبت، نشانگر بدخیم بودن و کیس منفی، نشانگر خوش‌خیم بودن آن است. از این رو،TP ،FP ،TN و FN به ترتیب نشاندهنده تعداد ضایعات بدخیم درست، خوش‌خیم درست، بدخیم نادرست و ضایعات خوش‌خیم نادرست هستند. همچنین برای اعتبارسنجی به مدل پیشنهادی و نتایج به‌دست‌آمده دادگان به‌صورت تصادفی در 3 گروه آموزش، اعتبارسنجی و آزمایش در 100 مرتبه اجرا تجزیه‌و‌تحلیل شدند. همه پردازش‌های مربوطه در نرم‌افزار متلب 2021aبا 11th Gen Intel(R) Core(TM) i7-11800H@ 2.30GHz 2.30 GH و NVIDIA GeForce RTX 3050 Ti Laptop GPU 4GB انجام شده است. همچنین محاسبات آماری در نرم‌افزار GraphPad Prism 9.4.1 انجام شده است.
یافته‌ها
در این مطالعه، عملکرد روش‌های مختلف یادگیری ماشین برای تخمین میزان بدخیمی توده‌های سرطان پستان BI-RADS 4 در 1408 تصاویر ماموگرافی طیفی با کنتراست مقایسه شد. بعد از انجام فرایند پیش‌پردازش و آماده‌سازی دادگان، مراحل مختلفی مانند ناحیه‌بندی برای استخراج منطقه تومور از کل تصویر و پس از آن استفاده از شبکه‌های عصبی عمیقDensenet-201 ،Resnet-101 و Inception-v3 انجام شد.
این فرایند با هدف استخراج ویژگی از تصاویر توسط شبکه‌های از پیش آموزش‌دیده فوق‌الذکر انجام شد که در نهایت، به ترتیب 1920، 2048 و 2048 ویژگی از هر تصویر استخراج شد. پس از آن با استفاده از طبقه‌بندهای نزدیک‌ترین همسایه، ماشین‌بردار پشتیبان و شبکه عصبی پیشخور داده‌ها به طبقات خوش‌خیم و بدخیم تقسیم شدند که نتایج حاصل از طبقه‌بندی مذکور در جدول شماره 1 قابل مشاهده است.
در این ارزیابی، مدل ترکیبی Densenet-201 با طبقه‌بند نزدیک‌ترین همسایه نسبت به سایر مدل‌ها عملکرد بهتری داشته است. این مدل پیشنهادی توانسته است مقدار حساسیت 2/99 درصد، اختصاصیت 5/97 درصد، صحت 57/98 درصد و مساحت زیر‌منحنی 987/0 داشته باشد (تصویر شماره 2). همچنین در راستای اعتبارسنجی نتایج و توانایی عملکرد مدل پیشنهادی نتایج این مطالعه با آخرین پژوهش‌های مرتبط مقایسه شده است. این مقایسه نشاندهنده قابلیت ارزشمند مدل پیشنهادی در برابر سایر روش‌های مرتبط است که توانسته است با استفاده از تصاویر کم‌انرژی و ترکیبی در 2 نمای کرانیوکودال و مایل میانی جانبی مجزا نسبت به آن برتری قابل‌توجهی داشته باشد.
بحث
در این مطالعه، شبکه پیشنهادی توانست با استفاده از تصاویر ماموگرافی طیفی با کنتراست میزان بدخیمی بیماران سرطان پستان دستهBI-RADS 4 را به‌صورت غیرتهاجمی با عملکرد بسیار مناسب نسبت به سایر مطالعات پیشین مطابق جدول شماره 2 تعیین کند. این پژوهش در راستای کاهش بیوپسی‌های غیرضروری و تشخیص و درمان به‌موقع بیماران توسط پزشکان حاصل پذیرفته است. این مدل پیشنهادی می‌تواند به‌عنوان یک ابزار کمکی در درمان به‌موقع و مطمئن نقش مهمی داشته باشد تا پزشکان به‌صورت غیرتهاجمی بدون اطلاعات بالینی صرفاً با استفاده از یک تصویر فرد مشکوک به دسته BI-RADS 4 سرطان پستان طبقه‌بندی مناسبی را انجام دهند. در نهایت، این فرایند سبب افزایش بقای افراد مبتلا و کاهش درمان غیرضروری افراد مشکوک به این عارضه می‌شود.
امروزه هوش مصنوعی جایگاه ویژه‌ای در حوزه سلامت در خصوص تشخیص بیماری‌های مختلف دارد [17]. از این میان، می‌توان به بیماری‌های بافت پستان اشاره کرد که در حال حاضر پیشرفت‌های چشمگیر در این زمینه توانسته است با استفاده از ویژگی‌های برگرفته از تصاویر افراد مشکوک به این عارضه با یک روش غیرتهاجمی در کوتاه‌ترین زمان مناسب‌ترین تشخیص را پیدا کند [18].
در مطالعات این حوزه سعی شده است با استفاده از شبکه‌های عصبی کانولوشن تشخیص سرطان پستان با صحت بالا انجام شود [26]. بدین ترتیب کاربرد روش‌های یادگیری ماشین و به‌ویژه یادگیری عمیق در ناحیه‌بندی و طبقه‌بندی توانسته میزان بدخیمی تصاویر ماموگرافی معمولی را بیان کند [8، 10]. این تلاش‌ها منجر به انجام آزمایشات مختلف یادگیری ماشین و یادگیری عمیق، به‌ویژه شبکه های عصبی کانولوشن در تشخیص بدخیمی ضایعات مشکوک به سرطان تهاجمی و بدخیمی بوده است که نتایج قابل‌قبولی به همراه داشته است [22]. اما پس از ظهور ماموگرافی طیفی با کنتراست که ارزش تشخیصی مشابه اِم‌آر‌آی را در تشخیص سرطان پستان دارد، اعمال تکنیک‌های پردازش تصویر و الگوریتم‌های یادگیری عمیق موجب رشد چشمگیری در تشخیص غیرتهاجمی، در زمان کوتاه، بدون تجربه خیلی قابل توجه در موقعیت‌ها و مکان‌های مختلف شده است که تاکنون در این زمینه نتایج امیدوار‌کننده‌ای رقم خورده است [9، 30].
بدین ترتیب در این مطالعه با استفاده از تکنیک‌های پیش‌پردازش و اعمال الگوریتم‌های یادگیری عمیق توانسته‌ایم در تشخیص و طبقه‌بندی میزان بدخیم دسته BI-RADS 4 تصاویر ماموگرافی طیفی با کنتراست در نماهای مختلف کم‌انرژی و ترکیبی عملکرد بسیار مناسبی داشته باشیم. این ابزار نویدبخش تشخیص‌های غیرتهاجمی و ایمن را با استفاده از الگوریتم‌های هوش مصنوعی می‌دهد که در سلامت، پیش‌بینی نتایج درمان، کاهش هزینه و وقت بیماران و پزشکان و بارِ روانی تأثیر بسزایی می‌تواند ایفا کند. مطالعه دسته BI-RADS 4 تصاویر ماموگرافی طیفی با کنتراست برای اولین است که بر دادگان در دسترس عموم که دارای تصاویر در 2 نمای مختلف کم‌انرژی و ترکیبی است، به دست می‌آید.
مطالعات قبلی همگی بر دادگان محدود جمع‌آوری شده از یک مرکز پزشکی تمرکز داشته، در حالی که در این مطالعه دادگان با دسترسی آزاد جمع‌آوری شده از چند مرکز پزشکی استفاده شده است. در مطالعات قبلی تصاویر گرفته‌شده از یک نما استفاده شده، در حالی که در این مطالعه تصاویر نماهای مختلف که به احتمال بسیار زیاد هریک حاوی اطلاعات متفاوتی از ضایعه است، به کار رفته است.
از مزایای دیگر این مطالعه، تعداد تصاویر زیاد به کار رفته، تمرکز بر ناحیه تومور (و نه کل تصویر پستان) در همه پردازش‌ها، استفاده از تصاویر ماموگرافی طیفی با کنتراست به جای تصاویر ماموگرافی معمولی اشاره کرد. در آینده پیشنهاد می‌شود که روش‌های سنتی یادگیری ماشین برای استخراج ویژگی، الگوریتم‌های ناحیه‌بندی خودکار و طبقه‌بندهای یادگیری عمیق استفاده شود تا با این کار یک سیستم خودکار با جامعه آماری قابل‌توجه و روش‌های مختلف یادگیری ماشین را پوشش دهد.
نتیجه‌گیری
پیشرفت‌های اخیر در حوزه هوش مصنوعی سبب شده تا بسیاری از مشکلات حوزه سلامت برطرف شود. این توانایی الگوریتم‌های هوش مصنوعی موجب تشخیص زودهنگام و درمان به‌موقع افراد مبتلا به عارضه شده است. همچنین مدل‌های رادیومیک تصویربرداری قابلیت تشخیص‌های بصری را برای متخصصین فراهم آورده است.
ترکیب مدل‌های رادیومیک و الگوریتم‌های هوش مصنوعی توانسته است بسیاری از مشکلات تشخیصی را برطرف کند و این امر سبب شده است که روش درمانی و تشخیص مناسبی از فرد مشکوک به عارضه انجام شود و در نتیجه موجب افزایش بقای فرد، کاهش هزینه‌های درمان و جلوگیری از مراحل درمان غیرضروری می‌شود. امروزه این مدل ترکیبی به‌عنوان ابزار مطمئن و با کارایی بالا توانسته است در تشخیص و درمان بیماری مفید و مؤثر واقع شود.
ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
در این مطالعه تمام اصول و ملاحظات اخلاقی مرتبط با چارچوب اخلاق پژوهشی و ضوابط مجله رعایت شده است.
حامی مالی
این پژوهش حامی مالی نداشته است و با هزینه شخصی انجام شده است.
مشارکت نویسندگان
همه نویسندگان به طور یکسان در تهیه این مقاله مشارکت داشتند.
تعارض منافع
بنابر اظهار نویسندگان، این مقاله تعارض منافع ندارد.
نوع مطالعه: مقاله پژوهشي |
موضوع مقاله:
زنان
دریافت: 1401/8/13 | پذیرش: 1401/11/9 | انتشار: 1402/5/10
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 پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
حق تالیف (کپی رایت) برای مولفان محفوظ است.
صاحب امتیاز: دانشگاه علوم پزشکی قم
ناشر: انتشارات دانشگاه علوم پزشکی قم
شاپا چاپی: 7799-1375
شاپا الکترونیک: 1375-2008
ایمیل مجله: journal@muq.ac.ir
j.muq.ac@gmail.com
