نوع مقاله : مقاله کامل پژوهشی
نویسندگان
1 دانشجوی دکتری مهندسی مخابرات، گروه مخابرات، دانشکدهی مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند
2 استاد، گروه مخابرات، دانشکدهی مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند
3 دانشجوی پزشکی، دانشگاه علوم پزشکی مشهد، مشهد
چکیده
سرطان پروستات، به عنوان یکی از مهمترین بیماریهای مردان به شمار میرود. تشخیص زودهنگام و به موقع این بیماری و درجهی پیشرفت آن، به روند درمان و جلوگیری از سرایت بیماری به سایر بافتها، کمک شایانی میکند. به منظور تعیین درجهی بیماری، از بافت نمونهبرداری شده و با بررسی ساختار پاتولوژی، نوع درجه تعیین میگردد. در جدیدترین دستهبندی، بافت پروستات به پنج درجه تقسیمبندی میشود که درجهی یک، خوشخیمترین حالت و درجهی پنج، نشاندهندهی وخیمترین حالت بیماری میباشد. با توجه به زمانبر بودن طبقهبندی توسط انسان و رشد فناوری هوش مصنوعی، اخیرا این طبقهبندیها توسط الگوریتمهای هوشمند مختلفی انجام میشود. اگر چه امروزه روشهای قدرتمندی به منظور توصیف و طبقهبندی تصاویر، ابداع شده، اما وجود فاصلهی معناداری میان ادراک بینایی انسان و ویژگیهای سطح پایین استخراج شده توسط الگوریتمها، مهمترین چالش در راه دستیابی به دقت مطلوب به شمار میرود. در این مقاله، با ترکیب ویژگیهای آماری بافت تصویر و ویژگیهای عمیق استخراج شده توسط شبکهی عصبی کانولوشن عمیق، روش جدیدی ارائه شده است که در آن، استفاده از شبکهی عصبی کانولوشن عمیق، باعث به دست آمدن ویژگیهای سطح بالا و عمیقی از تصاویر پاتولوژی شده و با ترکیب این ویژگیها با ویژگیهای آماری بافت، دقت طبقهبندی افزایش یافته است. به منظور ارزیابی روش پیشنهادی، این روش روی پایگاه دادهی جامعهی بینالمللی آسیبشناسی اورولوژی، اعمال شده است. نتایج به دست آمده نشان میدهد که روش پیشنهادی، به دقت بیشتری نسبت به سایر روشهای مرسوم برای طبقهبندی تصاویر پاتولوژی دست یافته است.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Prostate Cancer Grading and Classification by Combining Deep Features and Stochastic Tissue Features of Pathological Prostate Images
نویسندگان [English]
- Amir Sezavar 1
- Hassan Farsi 2
- Farima Farsi 3
1 Ph.D Student, Faculty of Electrical and Computer Engineering, University of Birjand, Birjand, Iran
2 Professor, Faculty of Electrical and Computer Engineering, University of Birjand, Birjand, Iran
3 Medical Doctoral Student, Mashhad University of Medical Sciences, Mashhad, Iran
چکیده [English]
Prostate cancer is one of the most important diseases of men whose growth can be disrupted by early diagnosis of it. In order to determine the grade of prostate cancer, the biopsy is used and structure of tissue is examined under microscopes. According to new grading system, the prostate tissues are grading to five categories, between 1 to 5, where the highest grade shows the worst condition. Since human grading is time consuming, automatic grading systems have been used since recent years. Although some efficient algorithms have been introduced for image classification, the semantic gap between low-level features and human visual concept is still an important reason not to achieve high precision. In this paper, a new method for prostate cancer grading is presented which uses a combination of deep features, extracted by convolional neural network (CNN), and stochastic tissue features, extracted using multi-level gray level co-occurrence matrixes (ML-GLCM). Therefore, high-level features are achieved by using CNN and by combining with stochastic tissue features, the grading precision is increased. In order to evaluate the proposed method, it is examined on the pathology prostate image database which is generated by international society of urological pathology (ISUP). Experimental results demonstrate that the proposed method achieves more accuracy than state-of-the-art methods on prostate cancer grading.
کلیدواژهها [English]
- Prostate Cancer
- Grading
- Pathological Images
- Stochastic Tissue Features
- Convolutional Neural Network (CNN)