Classification Des Tumeurs Mammaires Basée Deep Learning

Résumé: "في عام 2019، تم تصنيف سرطان الثدي كأكثر الأمراض الخبيثة عند النساء في العالم، حيث يمثل 30% من الحالات التي شخصت حديثا وحوالي 15٪ حالة وفاة. والواقع أن ثورة الصور الرقمية في مجال العلوم الطبية أعطت ميزة للذكاء الاصطناعي من أجل اكتشاف السرطان بالاعتماد على نظامCAD في التشخيص الآلي. وفي هذا الاتجاه، أدى التعلم العميق إلى تحفيز الأنظمة الصحية الحديثة عن طريق تمهيد الطريق للبحوث والتطورات في مجال الرعاية الصحية. وفي هذا العمل، سوف نقوم في الوقت نفسه بعمليات الكشف و تصنيف أورام الثدي عن طريق نموذج  U-net للتعلم العميق لتجزئة الأورام وكذلك الخوارزمية لتمييز الاصابات الخبيثة عن الحميدة استنادا إلى نماذج من قوانين القوة، ZIPf و ZIPf inverse وكذلك مرشحات Gabor لتحديد خصائص النسيج. ولكن على الرغم من النتائج المشجعة لتصنيف أورام الثدي ومع ذلك، التعقيدات للذاكرة والوقت، ويظل الوقت الطويل للتنبؤ يمثل اتجاهات مستقبلية هامة. ""By 2019, breast cancer was categorized as the most mischievous disease among women around the world, accounting for 30% of newly diagnosed cancer cases and about 15% of cancer deaths. Indeed, digital images revolution in medical science has given an edge to artificial intelligence for cancer detection-based CAD system. In this direction, deep learning has boosted modern healthcare systems with paving the way for advanced healthcare research and develop ment. In this work, we handle tasks of breast tumor detection and classification simultaneously through a framework based deep learning with U-net model for tumors segmentation and SVM algorithm for the classification process to distinguish malignant lesions from benign ones based power laws models of Zipf and inverse Zipf and Gabor filters for texture characterization. Despite the encouraging breast tumors classification results, however; memory complexities and long prediction time remain as important future trends."

Publié dans la revue: