other مروری بر روش‌های تشخیص سرطان پستان با استفاده از شبکه عصبی : مقاله مروری مقاله اصیل Original Article <span style="font-family:yekanYW;"><span style="font-size:10.0pt;">سرطان پستان، شایعترین سرطان در بین زنان می‌باشد و هر چقدر سرطان پستان زودتر تشخیص داده شود، درمان آن آسان‌تر است. رایج‌ترین روش تشخیص سرطان سینه ماموگرافی می‌باشد. ماموگرافی یک عکس رادیوگرافی ساده از پستان و ابزاری برای کشف زودرس سرطان‌ها و تومورهای غیرقابل لمس پستان است. با این‌حال، با توجه به برخی محدودیت‌های این روش مانند حساسیت کم به‌ویژه در سینه‌های متراکم، روش‌های دیگری مانند ماموگرافی سه بعدی، سونوگرافی و تصویربرداری با رزونانس مغناطیسی اغلب برای دستیابی به اطلاعات بیشتر و دقیق‌تر پیشنهاد می‌شود. به‌تازگی، سیستم‌های تشخیص یا تشخیص هوشمند با کمک رایانه برای کمک به رادیولوژیست‌ها به‌منظور افزایش دقت تشخیصی تولید شده‌اند. به‌طورکلی، یک سیستم کامپیوتری از چهار مرحله پیش‌پردازش، تقسیم مناطق مورد علاقه </span><span dir="LTR"><span style="font-size:8.0pt;">(ROI)</span></span><span style="font-size:10.0pt;">، استخراج و انتخاب ویژگی‌ها و در آخر طبقه‌بندی تشکیل می‌شود. امروزه استفاده از روش‌ها و تکنیک‌های پردازش تصویر و شناسایی الگوها در تشخیص و تعیین خودکار سرطان پستان از روی تصاویر ماموگرافی و حتی آسیب‌شناسی دیجیتال که یکی از روندهای در حال ظهور در پزشکی مدرن است، باعث کم شدن خطاهای انسانی و افزایش سرعت تشخیص می‌شوند. در این مقاله مروری به بررسی کارهای انجام شده و معایب و مزایای آن در زمینه‌ی تشخیص سرطان پستان به کمک شبکه‌های عصبی به‌ویژه شبکه عصبی کانوولوشن</span> <span dir="LTR"><span style="font-size:8.0pt;">(Convolutional artificial neural network)</span></span><span style="font-size:10.0pt;"> که در تشخیص انواع سرطان‌ها به‌ویژه تشخیص هوشمند سرطان‌ پستان به‌طور گسترده‌ای استفاده شده است، پرداخته شده است. بررسی مقالات نشان می‌دهد که الگوریتم‌های ترکیبی در بهبود طبقه‌بندی و دقت تشخیص بهتر بوده‌اند.</span></span> Breast cancer is the most common cancer among women and the earlier it is diagnosed, the easier it is to treat. The most common way to diagnose breast cancer is mammography. Mammography is a simple chest x-ray and a tool for early detection of non-palpable breast cancers and tumors. However, due to some limitations of this method such as low sensitivity especially in dense breasts, other methods such as 3d mammography, ultrasound and magnetic resonance imaging are often suggested to obtain additional useful information. Recently, computer-aided diagnostic or intelligent diagnostic have been developed to assist radiologists to improve diagnostic accuracy. In general, a computer system consists of four steps: pre-processing, dividing areas of interest, extracting and selecting features, and finally classification. Nowadays, the use of imaging techniques in the identification of patterns for diagnosis and automatic determination of breast cancer by mammography and even digital pathology (which is one of the emerging trends in modern medicine) reduces human errors and speeds up the diagnosis. In this article, We reviewed recent findings and their disadvantages and benefits in the diagnosis of breast cancer by neural networks, especially the artificial neural network, which is widely used in the diagnosis of cancers and intelligent breast cancers. This literature review shows that hybrid algorithms have been better at improving classification and detection accuracy. Providing a convenient way to diagnose tumors in the breast by computer-assisted diagnosis systems will be of great help to the physicians. Much work has been done in recent years to diagnose breast cancer, and many advances have been made in improving and diagnosing breast cancer by computer. All methods have a significant error percentage and are different depending on the type of breast, but compared to other types of neural networks, convolution and combining methods with convo have better results. Another advantage of the convoluted network is the automatic extraction of desirable features. Today, the best percentages of accuracy in detecting benign or malignant cancerous mass are achieved by convolution.<span dir="RTL"></span> سرطان پستان, ماموگرافی, شبکه عصبی, تومور. breast cancer, mammography, neural network, tumor. 344 350 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-297&slc_lang=other&sid=1 Homayoon Yektaei همایون یکتایی Hyektai1994@gmail.com No Department of Biomedical Engineering, Islamic Azad University, Tehran North Branch, Tehran, Iran. گروه مهندسی پزشکی، دانشگاه آزاد اسلامی واحد تهران شمال، تهران، ایران. Mohammad Manthouri محمد منثوری Yes Department of Electrical and Electronic Engineering, Control Group, Faculty of Engineering, Shahed University, Tehran, Iran. گروه برق-کنترل، دانشکده فنی و مهندسی، دانشگاه شاهد، تهران، ایران.