Amélioration des performances de La classification Des tumeurs mammaires à l'aide d'une méthode de Segmentation appropriée basée deep Learning

Abstract

زيادة واضحة في حالات سرطان الثدي خلال العقد الأخيرة تم ملاحظتها، ومع ذلك، أدى الكشف المبكر من خلال برامج الفحص إلى انخفاض معدلات حالات سرطان الثدي المتقدمة وكذلك معدلات الوفاة. فعلاً، فإن الفحص بواسطة التصوير بالأشعة الماموغرافية يمثل واحدة من أكثر تقنيات التصوير الطبي فائدة في الكشف وتشخيص سرطان الثدي في مراحله المبكرة. ومع ذلك، وفقًا للأبحاث الأدبية، يتم تفويت 10 إلى 30 ٪ من حالات السرطان عن طريق فحص الماموغرافية، مما يؤدي إلى معدل كاذب سلبي يمكن أن يصل إلى 50 ٪ وفقًا لنوع الأورام وكثافة الثدي. في هذا السياق، تتجه الأبحاث نحو نهج يعتمد على التعلم الآلي والتعلم العميق. ومع ذلك، تظل أساليب التعلم الآلي والتعلم العميق تعاني من قيود عند تصنيف الكتل الثدي في فئات الثدي الكثيفة حيث يشترك النسيج الثدي المرضي في نفس الخصائص مع النسيج الكثيف الطبيعي، مما ينتج عنه مُعد مسبقًا على U-net نتائج تصنيف غير صحيحة. ولذلك، قدمنا نهج التعلم من خلال النقل، الذي يأخذ في الاعتبار نموذج لأغراض التصنيف من SVM صور الرنين المغناطيسي للدماغ وقمنا بتكييفه لتقسيم الماموغرافية الكثيفة. بعد ذلك، تم تنفيذ خلال مراعاة توصيف نسيج الكتل الثدي. تم تقديم نتائج قوية حيث تم الوصول إلى دقة تصل إلى 99 ٪ في تمييز الكتل الخبيثة والحميدة.Une nette augmentation de l'incidence du cancer du sein au cours de la dernière décennie a été observée, ceci dit, la détection précoce grâce à des programmes de dépistage a engendré une baisse des taux de cancer du sein avancé ainsi que de mortalité. En effet, le dépistage par mammographie représente l'une des techniques d'imagerie médicale les plus utiles pour détecter et diagnostiquer précocement le cancer du sein. Cependant, selon les travaux de la littérature, la mammographie de dépistage passe à côté de 10 à 30 % des cas de cancer, ce qui entraîne un taux de faux négatifs pouvant atteindre 50 % selon le type de lésions et la densité mammaire. Dans ce sens, les recherches s'orientent vers des approches basées sur l'apprentissage automatique et l'apprentissage profond. Cependant, les méthodes d'apprentissage automatique et d'apprentissage en profondeur approuvent toujours une limitation lors de la classification des masses mammaires dans les catégories de seins denses où le tissu mammaire pathologique partage les mêmes caractéristiques avec le tissu dense normal, générant des résultats de classification erronés. Par conséquent, nous avons contribué l'approche d'apprentissage par transfert qui considère un modèle U-net pré-entrainé sur les images IRM cérébrales et nous l’avions adapté à la segmentation des mammographies denses. Par la suite ; un SVM est implémenté à des fins de classification par la prise en compte de la caractérisation de la texture des masses mammaires. Des résultats robustes ont été rapportés en atteignant une précision de 99% dans la distinction des masses malignes et bénignes.