الشبكات العصبية العميقة ذات هياكل تجميع مبنية على المناطق لتصنيف صور الثديية

يُعدّ سرطان الثدي أحد أكثر الأورام الصلبة شيوعًا في التشخيص. ويُعدّ التصوير الشعاعي للثدي (الماموغرافيا) التكنولوجيا الأكثر استخدامًا في فحص سرطان الثدي. تعتمد الطرق التقليدية لتصنيف أو تقسيم صور الماموغرافيا باستخدام ميزات يدوية على كمّ كبير من البيانات المُصنّفة يدويًا لتدريب النموذج واختبار النتائج. لكن التصنيف اليدوي مكلف، وطويل الأمد، ويتطلب جهدًا كبيرًا، مما يزيد بشكل كبير من تكلفة بناء النظام. ولتقليل هذه التكلفة وتفريغ عبء العمل على أطباء الأشعة، تم اقتراح طريقة تصنيف صور الماموغرافيا الشاملة من الطرف إلى الطرف (end-to-end) تعتمد على الشبكات العصبية العميقة لبناء مصنّف، يمكن بناؤها دون الحاجة إلى مربعات حدودية (bounding boxes) أو تسميات أرضية بالقناع (mask ground truth) في بيانات التدريب. فالعلامة الوحيدة المطلوبة في هذه الطريقة هي تصنيف صور الماموغرافيا، والتي يمكن جمعها نسبيًا بسهولة من التقارير التشخيصية. وبما أن الآفات الثديية عادة ما تمثل جزءًا صغيرًا من المساحة الكلية المرئية في صورة الماموغرافيا، فقد اقترحنا هياكل تجميع (pooling) مختلفة للشبكات العصبية التلافيفية (CNNs) بدلًا من الطرق التقليدية، حيث تُقسَّم الصورة إلى مناطق، وتُختار المناطق ذات الاحتمال العالي للسُّرطانية لتمثيل الصورة الكاملة لتصوير الماموغرافيا. ويمكن تطبيق الهياكل المقترحة على معظم النماذج القائمة على الشبكات العصبية التلافيفية، مما قد يُحسّن بشكل كبير أداء النماذج على بيانات صور الماموغرافيا مع نفس المدخلات. أظهرت النتائج التجريبية على مجموعة بيانات INbreast المفتوحة والمتاحة للعامة، وبيانات CBIS، أن الهياكل المقترحة تؤدي بشكل مرضٍ مقارنةً بالأساليب المتطورة السابقة لتصنيف صور الماموغرافيا والخوارزميات المستندة إلى تقسيم الصور باستخدام تسميات تفصيلية.