دانشگاه تربیت مدرس زیست فناوری 2322-2115 15 2 2024 03 20 Lung Cancer Diagnosis from histopathological images using deep learning approaches تشخیص سرطان پستان از روی تصاویر هیستوپاتولوژی با استفاده از یادگیری عمیق 113 130 22725 FA سیما سادات لاجوردی گروه بیوفیزیک. دانشکده علوم زیستی. دانشگاه تربیت مدرس عبداله اله رودی دانشگاه تربیت مدرس، دانشکده علوم زیستی. گروه بیوفیزیک سیده سمانه شجاعی لنگری پژوهشکده برق و فناوری اطلاغات. سازمان پژوهشهای علمی و صنعتی ایران Journal Article 1970 01 01 Cancer is one of the leading causes of death worldwide. Breast cancer is the most common cancer among women and causes a high number of annual deaths. The most reliable method for successful cancer management is accurate and early diagnosis. On the other hand, the lack of timely diagnosis leads to the spread of cancer in the body, making it difficult to treat and control. The gold standard method for breast cancer diagnosis is biopsy. Usually, visual inspection and manual assesement are used to diagnose cancer, where the pathologist examines the histopathology slides under a microscope which is error-prone and time- consuming procedure and requires years of expertise. Therefore, computer-aided diagnosis is essential to help physicians improve the efficiency of interpreting medical images. In this study, we use deep learning models, especially convolutional neural networks (CNNs) to detect whether or not histopathological images are cancerous. The AUC, Precision and F1-score obtained using the pre-trained Incetion-V3 deep neural network are 98.36%, 95.28% and,97.25% respectively, and the same parameters for the pre-trained ResNet-18 deep neural network are equal to 97.90 %, 97.46% and 98.22%. The presented models are able to provide reliable diagnosis results for different morphologies of breast tissues. سرطان یکی از شایع‌ترین علل مرگ و میر در جهان است. سرطان پستان فراوان ترین سرطان در بین زنان است و سالیانه باعث میزان بالایی از مرگ و میر می شود. معتبرترین و مطمئن ترین روش برای مدیریت موفق سرطان، تشخیص دقیق و زود هنگام است. در مقابل، عدم تشخیص به موقع منجر به گسترش سرطان در بدن می شود، در نتیجه درمان و کنترل آن را دشوار می نماید. روش استاندارد طلایی برای تشخیص سرطان پستان، بیوپسی است. به طور معمول از روش های دستی و بصری برای تشخیص سرطان استفاده می شود و پاتولوژیست اسلاید های هیستوپاتولوژی را زیر میکروسکوپ بررسی می نماید که این نوع تشخیص به زمان زیاد و تخصص بالایی احتیاج دارد و بسیار مستعد خطاست، به همین دلیل استفاده از سیستم تشخیص رایانه ای(<span dir="LTR">CAD</span>) برای کمک به پزشکان در جهت بهبود کارایی تفسیر تصاویر پزشکی ضروری است. در این مطالعه ما از مدل های یادگیری عمیق، خصوصا شبکه های عصبی کانولوشنی (<span dir="LTR">CNNs</span>) برای تشخیص سرطانی بودن یا نبودن تصاویر هیستوپاتولوژیک استفاده می کنیم. میزان <span dir="LTR">AUC</span>، صحت و امتیاز <span dir="LTR">F1 به دست آمده با استفاده از شبکه ی عصبی عمیق از پیش آموزش داده شده <span dir="LTR">Incetion-V3</span> به ترتیب برابر 36/98 % ، 28/95 % و 25/97 % است و همین پارامترها برای شبکه ی عصبی عمیق از پیش آموزش داده شده ی <span dir="LTR">ResNet-18 برابر با 90/97 % ، 46/97 % و 22/98 % می باشد. مدل ارائه شده قادر است برای مورفولوژی های متفاوت بافت پستان، پاسخ قابل توجهی ارائه دهد.<br></span></span> https://biot.modares.ac.ir/article_22725_52f244f9df0168a1f9b62b9e17b3e963.pdf