مجله علمی  رایانش نرم و فناوری اطلاعات

مجله علمی رایانش نرم و فناوری اطلاعات

تشخیص و طبقه‌بندی درجه بدخیمی سرطان پروستات در تصاویر پاتولوژی با‌استفاده از ترکیب شبکه‌های عصبی عمیق

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان
دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، ایران.
چکیده
سرطان پروستات، یکی از شایع‌ترین بیماری‌های مردان در سراسر جهان بعد از سرطان ریه در قرن حاضر است. تشخیص و طبقه‌بندی تصاویر پزشکی یک کار بسیار چالش برانگیز است. تشخیص و پیشگیری به‌موقع این بیماری، به‌روند درمان و جلوگیری از پیشرفت آن به سایر بافت‌ها، کمک چشمگیری می‌کند. به‌منظور تعیین درجه‌ی بیماری، از بافت، نمونه‌برداری می‌شود و با بررسی ساختار پاتولوژی، درجه بدخیمی تعیین می‌شود. رایج ترین روش مورد استفاده در تشخیص سرطان پروستات، مشاهده میکروسکوپی بیوپسی‌های رنگ‌آمیزی شده توسط یک پاتولوژیست و درجه‌بندی گلیسون از تصاویر پاتولوژی است. در جدیدترین دسته‌بندی، بافت پروستات به پنج درجه تقسیم‌بندی می‌شود که درجه‌ی یک، خوش‌خیم‌ترین حالت و درجه‌ی پنج، نشان‌دهنده‌ی وخیم‌ترین حالت بیماری است. در این مقاله یک روش جدید معرفی شده است که خروجی طبقه‌بندهای سه مدل از یادگیری عمیق با هم ترکیب و ادغام می‌شوند، از روش‌ یادگیری انتقالی که بر روی مجموعه‌ از تصاویر (ImageNet) آموزش داده شده، استفاده شده است. برای ارزیابی شبکه‌های‌ آموزش داده شده، نمونه‌های تست به شبکه‌ها اعمال می‌شود و با استفاده از دو قانون ترکیب طبقه بندها از قبیل رای‌گیری اکثریت و میانگین‌گیری، تصویر تست به یک کلاس نسبت داده خواهد شد. به‌منظور ارزیابی روش پیشنهادی، این روش روی پایگاه داده‌ی جامعه‌ی بین‌المللی آسیب‌شناسی اورولوژی(ISUP)، اعمال شده است. روش پیشنهادی در این تحقیق بر پایه یادگیری گروهی عمیق است، که با توجه به دو قاعده ترکیب،‌ رای‌گیری و میانگین‌گیری، دقت تشخیص بترتیب 97/2 % و 97/33 % در سرطان پروستات را فراهم می‌آورد که نسبت به سایر روش‌های مرسوم برای درجه‌بندی تصاویر پاتولوژی سرطان پروستات باعث افزایش دقت بیش از 4 درصد در تشخیص و طبقه‌بندی گردیده است.
کلیدواژه‌ها

[1] S .Tyagi , N. Tyagi, A. Choudhury, G. Gupta, M. Maher Abdul Zahra and S. Ahmed Rahin, “Identification and Classification of Prostate Cancer Identification and Classification Based on Improved Convolution Neural Network” Hindawi BioMed Research International, 2022.
[2] M. Tsuneki, M. Abe and F. Kanavati, “A Deep Learning Model for Prostate Adenocarcinoma Classification in Needle Biopsy Whole-Slide Images Using Transfer Learning” MDPI Journal Diagnostics, vol. 12, no.3, pp. 768-779, 2022.
[3] J. M. Castillo T, M. Arif, W. J. Niessen, I. G. Schoots and J. F. Veenland, “Automated Classification of Significant Prostate Cancer on MRI: A Systematic Review on the Performance of Machine Learning Applications” MDPI Journal Cancers, vol. 3, no. 2, pp. 45-56, 2020.
[4] A. H. M. Linkon, Md. M. Labib, T. Hasan, M. Hossain and M. Jannat, “Deep learning in prostate cancer diagnosis and Gleason grading in histopathology images: An extensive study” Informatics in Medicine Unlocked Published by Elsevier Ltd, 2021.
[5] امیر سزاوار، حسن فرسی، فریما فرسی " طبقه‌بندی و تشخیص درجه‎ی بدخیمی سرطان پروستات با استفاده از ترکیب ویژگی‌های عمیق و ویژگی‌های آماری بافت تصاویر پاتولوژی"، مجله مهندسی پزشکی زیستی، دوره 12، شماره 4، صفحه 355-341، زمستان 1397.
[6] P. Khosravi, M. Lysandrou, M. Eljalby, Q. Li, E. Kazemi, P. Zisimopoulos, A. Sigaras, M. Brendel, J. Barnes, C. Ricketts, D. Meleshko, A. Yat, T. D. McClure, B. D. Robinson, A. Sboner, O. Elemento, B.Chughtai, and I. Hajirasouliha, “A Deep Learning Approach to Diagnostic Classification of Prostate Cancer Using Pathology–Radiology Fusion” Journal of Magnetic Resonance Imaging published by Wiley Periodicals LLC, vol. 2, no. 3, pp: 462-471, 2021.
[7] صابر فولادی، حسن فرسی، سجاد محمدزاده ، "استفاده از شبکه‌های عصبی یادگیری عمیق در تشخیص درجه بدخیمی سرطان پروستات و تشخیص سرطان سینه"، مجله دانشکده پزشکی دانشگاه علوم پزشکی مشهد، صفحه 1187-1178، سال 61 و شماره 5، آذر-دی1397.
[8] A. Rovčanin, S. Skopljak, S. Suleiman, A. Smajović, E. Bečić, F. Bečić, L. Spahić Bećirović and L. Gurbeta “Application of artificial intelligence in diagnosis and therapy of prostate cancer”  IFAC PapersOnLine, , Vol.  55, no. 4, pp: 74-79, 2022.
 
[9] X. Huang, Z. Li, M. Zhang and S. Gao, “Fusing hand-crafted and deep-learning features in a convolutional neural network model to identify prostate cancer in pathology images” Frontiers in Oncology Journal, vol. 12, no. 3, pp: 212-225, 2022.
[10] P.A. S. Melo, C. L. N. Estivallet, M. Srougi, W.C.Nahas, K. R.M. Leite, “Detecting and grading prostate cancer in radical prostatectomy specimens through deep learning techniques” Clinics journal, Vol.76, pp: 1-5, 2021.  
[11] M. A. Ganaiea, M. Hu, A.K. Malik, M. Tanveer and P.N. Suganthan “Ensemble deep learning: A review” Engineering Applications of Artificial Intelligence, vol. 115, no. 2, pp: 105-151, 2022.
[12] Aurélien Géron “Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow” THIRD EDITION, Published by O’Reilly Media, 2022.
[13] R. Fogarty, D. Goldgof , L. Hall, A. Lopez, J. Johnson, M. Gadara, R. Stoyanova, S. Punnen, A. Pollack, J. Pow-Sang and Y. Balagurunathan “Classifying Malignancy in Prostate Glandular Structures from Biopsy Scans with Deep Learning” MDPI Cancers Journal, vol. 15, no. 8, pp:1-19, 2023.
[14] D. KARIMI, H. DOU and A. GHOLIPOUR “Medical Image Segmentation Using Transformer Networks” IEEE Access Journal, vol. 10, no. 3, pp: 29322- 29332, 2022.
[15] Y. Djenouri, A. Belhadi, A, Yazidi, G. Srivastava and J. Chun-Wei Lin “Artificial intelligence of medical things for disease detection using ensemble deep learning and attention mechanism” Expert Systems Journal, vol. 45, no. 4, pp: 33-46, 2022.
[16] Zh. Tao, L. Huiling, Y. Zaoli, Q. Shi, H. Bingqiang and D. Yali “The ensemble deep learning model for novel COVID-19 on CT images” Applied Soft Computing Journal, vol. 98, no. 5, pp: 198-211, 2021.
[17] Z. H. Kilimci and S. Akyokus “Deep Learning- and Word Embedding-Based Heterogeneous Classifier Ensembles for Text Classification” Hindawi Complexity Journal, vol. 34, no. 3, pp. 35-46, 2018.
[18] D. MÜLLER, I. SOTO-REY and F. KRAMER “An Analysis on Ensemble Learning Optimized Medical Image Classification With Deep Convolutional Neural Networks” IEEE Access Journal, vol. 10, no. 2, pp: 66467- 66480, 2022.
[19] X. ZHANG, D. HE, Y. ZHENG, H. HUO, S. LI, R. CHAI and T. LIU “Deep Learning Based Analysis of Breast Cancer Using Advanced Ensemble Classifier and Linear Discriminant Analysis” IEEE Access Journal, Vol. 8, no. 2, pp: 120208- 120217, 2020.
[20] S.Yoo, I. Gujrathi, M. A. Haider and F. Khalvati “Prostate Cancer Detection using Deep Convolutional Neural Networks” nature research Scientific Reports Journal, vol. 9, no. 1, pp. 33-47, 2019.
[21] Y. Tolkach , T. Dohmgörgen , M. Toma and G. Kristiansen “High-accuracy prostate cancer pathology using deep learning” Nature Machine Intelligence Journal,vol. 14, no. 2,  pp: 411-418, 2020.
[22] I. Bhattacharya, Y. S. Khandwala, S. Vesal, W. Shao, Q. Yang, S. J.C. Soerensen, R. E. Fan, P. Ghanouni, C. A. Kunder, J. D. Brooks, Y. Hu, M. Rusu and G. A. Sonn “A review of artificial intelligence in prostate cancer detection on imaging” SAGE Journals, Therapeutic Advances in Urology, vol. 14, no. 1, pp: 1–31, 2022.
[23]  P. Ambrosini, E. Hollemans, Ch. F. Kweldam , G. J. L. H. van Leenders, S. Stallinga1 and F.Vos “Automated detection of cribriform growth patterns in prostate histology images” nature research Scientific Reports Journal, vol. 10, no. 1, pp: 41-52, 2020.
[24] P. A. de Souza Melo, C. L. N. Estivallet, M. Srougi, W. C. Nahas and K. R. Moreira Leite “Detecting and grading prostate cancer in radical prostatectomy specimens through deep learning techniques” Clinics Journal, vol. 76, no. 3, pp: 33-45, 2021.
[25] Site of International Society of Urological Pathology, Available: https://isupweb.org/isup./
[26] فاطمه محمودی، فرساد زمانی بروجنی"بازیابی تصاویر پزشکی ریه با استفاده از درهم سازی با ناظر، انتخاب ویژگی mRMR و شبکه‌های عصبی کانولوشنی عمیق"مجله علمی پژوهشی رایانش نرم و فناوری اطلاعات دانشگاه صنعتی نوشیروانی بابل،جلد11، شماره4، صفحه 18-1 زمستان1401.
[27] رضا نصیری‌پور، حسن فرسی ، سجاد محمدزاده" شناسایی شی برجسته در پیش‌بینی تمرکز نگاه با استفاده از یادگیری عمیق"  مجله علمی پژوهشی رایانش نرم و فناوری اطلاعات دانشگاه صنعتی نوشیروانی بابل، جلد9، شماره3، صفحه 108-93، پاییز 1399.
[28] D. Ahmed Alkurdi, M. Ilyas and A.Jamil “Cancer detection using deep learning techniques” Evolutionary Intelligence Springer Link, July2021.