<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>انجمن مهندسی پزشکی ایران</PublisherName>
				<JournalTitle>نشریه علمی مهندسی پزشکی زیستی</JournalTitle>
				<Issn>2008-5869</Issn>
				<Volume>12</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2018</Year>
					<Month>08</Month>
					<Day>23</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Mass Segmentation in Automated 3D Breast Ultrasound using Deep Learning</ArticleTitle>
<VernacularTitle>قطعه‌بندی توده‌ها در تصاویر سه‌بعدی ‎ABUS‎ به کمک یادگیری ژرف</VernacularTitle>
			<FirstPage>137</FirstPage>
			<LastPage>146</LastPage>
			<ELocationID EIdType="pii">32626</ELocationID>
			
<ELocationID EIdType="doi">10.22041/ijbme.2018.90857.1384</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>حامد</FirstName>
					<LastName>فیاض</LastName>
<Affiliation>دانشجوی کارشناسی ارشد، گروه هوش‌مصنوعی، دانشکده‌ی مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران</Affiliation>

</Author>
<Author>
					<FirstName>محسن</FirstName>
					<LastName>سریانی</LastName>
<Affiliation>دانشیار، گروه هوش‌مصنوعی ، دانشکده‌ی مهندسی کامپیوتر ، دانشگاه علم و صنعت ایران، تهران</Affiliation>

</Author>
<Author>
					<FirstName>احسان‌اله</FirstName>
					<LastName>کوزه‌گر</LastName>
<Affiliation>دانشجوی دکتری، گروه هوش‌مصنوعی، دانشکده‌ی مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران</Affiliation>

</Author>
<Author>
					<FirstName>تائو</FirstName>
					<LastName>تن</LastName>
<Affiliation>پژوهش‌گر پسادکتری، دانشکده‌ی رادیولوژی و پزشکی هسته‌ای، مرکز پزشکی دانشگاه رادبود، نایمخن، هلند</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2018</Year>
					<Month>07</Month>
					<Day>28</Day>
				</PubDate>
			</History>
		    <Abstract>Automated 3D breast ultrasound (ABUS) is a novel system for breast screening‎. ‎It has been proposed as a supplementary modality to mammography for detection and diagnosis of breast cancers‎. ‎Although ABUS has better performance for dense breasts‎, ‎reading ABUS images is time-consuming and exhausting‎. ‎A computer-aided detection (CAD) system can be helpful for interpretation of ABUS images‎. ‎Mass Segmentation in CADe and CADx systems play the leading role because it affects the performance of succeeding stages‎. ‎Besides‎, ‎it is a very challenging task because of the vast variety in size‎, ‎shape, and texture of masses‎. ‎Moreover, imbalanced datasets make segmentation harder‎. ‎A novel mass segmentation approach based on deep learning is introduced in this paper‎. ‎The deep network that is used in this study for image segmentation is inspired by U-net which has been used broadly for dense segmentation in recent years‎‎. ‎Performance was determined using a dataset of 50 masses including 38 malignant and 12 benign masses‎.</Abstract>
			<OtherAbstract Language="FA">سرطان پستان دومین عامل مرگ زنان در جهان است. هر چه این بیماری زودتر تشخیص داده شود، احتمال موفقیت در درمان آن بیش‌تر خواهد بود. امروزه به دلیل مشکلات تصویربرداری ماموگرافی، استفاده از تصاویر فراصوت برای تشخیص سرطان پستان در حال افزایش است. یکی از انواع سامانه‌های تصویر‌برداری پستان، ‎ABUS است. این نوع تصویربرداری از مزایای زیادی نسبت به ماموگرافی و سایر روش‌های تصویربرداری فراصوت برخوردار می‌باشد. طراحی یک سامانه‌ی تشخیص به کمک کامپیوتر برای تحلیل تصاویر فراصوت در کنار رایج شدن این نوع تصویربرداری ضروری است. این سامانه‌ها معمولا دارای چهار بخش پیش‌پردازش، قطعه‌بندی، استخراج ویژگی و دسته‌بندی هستند. افزایش دقت قطعه‌بندی، باعث افزایش دقت عمل‌کرد سامانه می‌شود. در پژوهش‌های پیشین، از روش‌های پویش حلزونی و کانتور فعال برای قطعه‌بندی توده‌ها در تصاویر سه‌بعدی استفاده شده است. در سال‌های اخیر، استفاده از یادگیری ژرف در زمینه‌های مختلف، منجر به کسب نتایج قابل توجهی شده است که امکان دست‌یابی به این نتایج با روش‌های سنتی پیشین وجود نداشت. در این پژوهش، با استفاده از یک شبکه‌ی عصبی ژرف، که از معماری ‎U-net‎  3Dبهره می‌برد، توده‌های سرطانی در تصاویر ‎ABUS‎ قطعه‌بندی شده‌اند. در این روش، به منظور بهبود عمل‌کرد شبکه، از یک رویکرد جدید برای پس‌پردازش استفاده شده است. مجموعه‌ی دادگان مورد استفاده، از ‎۳۲‎ بیمار جمع‌آوری شده و شامل‎۵۰‎ توده (‎۳۸‎ توده‌ی بدخیم و ‎۱۲‎ توده‌ی خوش‌خیم) است. برای ارزیابی دقت قطعه‌بندی، از معیار ضریب Dice استفاده شده است. میانگین دقت به دست آمده روی مجموعه‌ی دادگان مورد استفاده در این پژوهش، ۷۷/۰ است.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">سرطان پستان</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">توده</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">تصاویر سه‌بعدی فراصوت</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">قطعه‌بندی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">یادگیری ژرف</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://www.ijbme.org/article_32626_6a6a609a5ef03909b9297f07351739b2.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
