طبقه‌بندی و تشخیص درجه‌ی بدخیمی سرطان پروستات با استفاده از ترکیب ویژگی‌های عمیق و ویژگی‌های آماری بافت تصاویر پاتولوژی

سرطان پروستات به عنوان یکی از مهم‌ترین بیماری‌های مردان شناخته ‌می‌شود که تشخیص زودهنگام و به موقع درجه‌ی آن، به روند درمان و جلوگیری از سرایت به سایر بافت‌ها کمک شایانی خواهد کرد. به منظور تعیین درجه‌ی بیماری، نمونه برداری از بافت انجام شده و با بررسی ساختار پاتولوژی، نوع درجه تعیین می‌گردد. در جدیدترین نوع دسته بندی، بافت پروستات به پنج درجه تقسیم‌بندی می‌شود که درجه‌ی یک، خوش‌خیم‌ترین حالت و درجه‌ی پنج، نشان‌دهنده‌ی وخیم‌ترین درجه است. با توجه به زمان‌بر بودن طبقه‌بندی توسط انسان و رشد فناوری هوش مصنوعی، اخیرا این طبقه‌بندی‌ها توسط الگوریتم‌های هوشمند مختلفی انجام می‌شود. اگرچه امروزه روش‌های توان‌مندی به منظور توصیف و طبقه‌بندی تصاویر ابداع شده، اما وجود فاصله‌ی معنایی میان ادراک بینایی انسان و ویژگی‌های سطح پایین استخراج شده توسط الگوریتم‌ها، مهم‌ترین چالش برای دست‌یابی به دقت مطلوب شمرده می‌شود. در این مقاله، روش جدیدی با ترکیب ویژگی‌های آماری بافت تصویر و ویژگی‌های عمیق استخراج شده توسط شبکه‌ی عصبی کانولوشن عمیق ارائه‌می‌‌شود که در آن، استفاده از شبکه‌عصبی کانولوشن عمیق باعث حصول ویژگی‌هایی سطح بالا و عمیق از تصاویر پاتولوژی شده و با ترکیب آنان با ویژگی‌های آماری بافت، دقت طبقه بندی افزایش می‌یابد. به منظور ارزیابی، روش پیشنهادی بر روی پایگاه داده‌ی جامعه‌ی بین‌المللی آسیب شناسی اورولوژی، اعمال شده است. نتایج حاصل نشان ‌می‌دهد که روش پیشنهادی، به دقت بیشتری نسبت به سایر روش‌های مرسوم برای طبقه بندی تصاویر پاتولوژی دست یافته است.