دوره 79، شماره 5 - ( مرداد 1400 )
جلد 79 شماره 5 صفحات 336-326 |
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:
Ameri A, Shiri M, Gity M, Akhaee M A. Deep learning-based CAD systems for mammography: A review article. Tehran Univ Med J 2021; 79 (5) :326-336
URL: http://tumj.tums.ac.ir/article-1-11289-fa.html
URL: http://tumj.tums.ac.ir/article-1-11289-fa.html
عامری علی، شیری محمود، گیتی معصومه، اخایی محمد علی. مروری بر سیستم‌های یادگیری عمیق کمک‌یار ماموگرافی: مقاله مروری. مجله دانشکده پزشکی، دانشگاه علوم پزشکی تهران. 1400; 79 (5) :326-336
علی عامری* 
1، محمود شیری1 ، معصومه گیتی2 ، محمد علی اخایی3
1، محمود شیری1 ، معصومه گیتی2 ، محمد علی اخایی3
1- گروه مهندسی و فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.
2- گروه رادیولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران.
3- گروه مهندسی برق، دانشکده مهندسی برق، دانشگاه تهران، تهران، ایران.
2- گروه رادیولوژی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران.
3- گروه مهندسی برق، دانشکده مهندسی برق، دانشگاه تهران، تهران، ایران.
چکیده: (1880 مشاهده)
سرطان پستان یکی از شایع‌ترین سرطان‌ها در زنان است. ماموگرافی غربال‌گری یک روش تصویربرداری اشعه ایکس با دوز پایین است که برای تشخیص سرطان پستان در مراحل اولیه به‌کار می‌رود. برای کمک به رادیولوژیست در خواندن ماموگرام سیستم‌های کمک‌یار (CAD) ساخته شده‌اند که نرم‌افزارهایی هستند که می‌توانند نواحی سرطانی را در ماموگرام تشخیص دهند. با پیشرفت‌های نرم‌افزاری و سخت‌افزاری اخیر که منجر به تکامل الگوریتم‌های یادگیری عمیق (DL) گردیده، انقلابی در رشته‌های مختلف مهندسی و همچنین فناوری‌های پزشکی به‌وجود آمده است. اخیرا، مدل‌های DL در سیستم‌های کمک‌یار ماموگرافی مورد استفاده قرار گرفته‌اند و به عملکرد بالایی دست پیدا کرده‌اند. روش‌های DL برخلاف روش‌های سنتی یادگیری ماشین، نیازی به فرایند مشکل و زمان‌بر مهندسی ویژگی‌ها ندارند و می‌توانند به‌طور خودکار، ویژگی‌های مورد نیاز را از روی تصویر یاد گرفته و استخراج کنند. یکی از پرکاربردترین الگوریتم‌های DL، شبکه عصبی کانولوشنال (CNN) می‌باشد. برای تشخیص ضایعات سرطانی در ماموگرام، CNN باید در یک الگوریتم مبتنی بر ناحیه مانند R-CNN، Fast R-CNN، Faster R-CNN و YOLO به‌کار گرفته شود. برای آموزش مدل‌های DL، نیاز به حجم زیادی از تصاویر ماموگرافی است که ضایعات سرطانی در آن‌ها توسط یک رادیولوژیست مجرب، مشخص شده باشند. به همین دلیل، تهیه و جمع‌آوری یک مجموعه داده بزرگ ماموگرافی مارک شده، برای ساخت یک سیستم کمک‌یار با دقت بالا، ضروری می‌باشد. این مقاله با هدف گردآوری وضعیت بهره‌مندی و پیشرفت‌های تکنولوژی یادگیری عمیق در سیستم‌های کمک‌یار ماموگرافی نوشته شده است.
نوع مطالعه: مقاله مروري |
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
