قطعه‌بندی توده‌ها در تصاویر سه ‌بعدی ‎ABUS‎ به کمک یادگیری ژرف

سرطان پستان دومین عامل مرگ زنان در جهان است. این بیماری هر چه زودتر تشخیص داده شود، احتمال موفقیت درمان آن بیشتر خواهد بود. امروزه بدلیل مشکلات تصویربرداری ماموگرافی، استفاده از تصاویر فراصوت برای تشخیص سرطان پستان در حال افزایش است. یکی از انواع سامانه های تصویر‌برداری پستان، ‎ABUS است. این نوع تصویربرداری دارای مزایای زیادی نسبت به ماموگرافی و سایر روش‌های تصویربرداری فراصوت است. طراحی یک سامانه تشخیص به کمک کامپیوتر برای تحلیل تصاویر فراصوت در کنار رایج شدن این نوع تصویربرداری ضروری است. این سامانه‌ها معمولا دارای چهار بخش پیش‌پردازش، قطعه‌بندی، استخراج ویژگی و دسته‌بندی هستند. افزایش دقت قطعه‌بندی باعث افزایش دقت در کل سامانه می‌شود. در پژوهش‌های قبلی از روش‌های پویش حلزونی و کانتور فعال برای قطعه‌بندی توده‌ها در تصاویر سه‌بعدی استفاده شده‌است. در سال‌های اخیر استفاده محققان از یادگیری ژرف در زمینه‌های مختلف منجر به کسب نتایج قابل توجهی که با روش‌های سنتی پیشین ممکن نبود، شده است. در این پژوهش با استفاده از یک شبکه عصبی ژرف که از معماری ‎U-net‎ 3Dبهره می‌برد توده‌های سرطانی در تصاویر ‎ABUS‎ قطعه‌بندی شده‌اند. در این روش جهت بهبود عملکرد شبکه از رویکردی جدید برای پس‌پردازش استفاده شده است. مجموعه دادگان مورد استفاده از ‎۳۲‎ بیمار جمع‌آوری شده است و شامل ‎۵۰‎ توده ( ‎۳۸‎ توده بدخیم و ‎۱۲‎ توده خوش‌خیم) است. برای ارزیابی دقت قطعه‌بندی از معیار ضریب Dice استفاده شده است. میانگین دقت به دست آمده روی مجموعه دادگان مورد استفاده در این پژوهش ۷۷/۰ است.