دانلود ترجمه مقاله توسعه سیستم طبقه بندی سرطان پوست برای ضایعات پوستی رنگدانه

1. مقدمه 2. مواد و روش ها 3. نتایج 4. بحث و بررسی 5. نتیجه گیری

چکیده – مطالعات اخیر سودمند بودن شبکه های عصبی پیچشی (CNNs) برای طبقه بندی تصاویر ملانوما، با دقت های قابل مقایسه با دقت متخصصان پوست را گزارش کردند. با این حال، عملکرد شبکه عصبی پیچشی که با تصاویر بالینی از ضایعات پوستی رنگی وظیفه طبقه بندی تصویر بالینی را در رقابت با متخصصان پوست داشته باشد، تا به امروز گزارش نشده است. در این مطالعه، 5846 تصویر بالینی از ضایعات پوستی رنگی از 3551 بیمار استخراج شد. ضایعات پوستی رنگی شامل تومورهای بدخیم (ملانوم بدخیم و کارسینوم سلول بازال) و تومورهای خوش خیم (نووس، كراتوز سبورئیك‌، لنتیگوی آفتابی، هماتوما / هماتژیوم) است. در این مطالعه یک مجموعه داده آزمایشی را با انتخاب تصادفی 666 بیمار از بین آن ها و گرفتن یک تصویر به ازای هر بیمار ایجاد کردیم و یک مجموعه داده آموزشی را با ارائه حاشیه نویسی جعبه محدود به بقیه تصاویر ایجاد کردیم (4732 تصویر، 2885 بیمار). سپس، یک شبکه عصبی پیچشی مبتنی بر منطقه سریع تر (FRCNN) را با مجموعه داده آموزشی ایجاد کرده و عملکرد مدل را بر مجموعه داده آزمایشی بررسی کردیم. علاوه بر این، ده متخصص پوست (BCDs) و ده کارآموز پوست (TRNs )، آزمایشات مشابهی انجام دادند و دقت تشخیصی آن ها را با FRCNN مقایسه کردیم. برای طبقه بندی دو شش طبقه، دقت FRCNN، 86.2 درصد بود و دقت BCDs و TRNs به ترتیب 79.5 و 75.1 درصد بود. برای طبقه بندی شش طبقه (خوش خیم یا بدخیم)، دقت، حساسیت و اختصاصیت به ترتیب 91.5، 83.3 و 94.5 درصد توسط FRCNN، 86.6، 86.3 و 86.6 درصد توسط BCD و 85.3، 83.5 و 85.9 درصد توسط TRN بود. نرخ های مثبت کاذب و مقادیر پیش بینی مثبت به ترتیب 5.5 و 84.7 درصد توسط FRCNN، 13.4 و 70.5 درصد توسط BCD و 14.1 و 68.5 درصد توسط TRN بود. در این مطالعه عملکرد طبقه بندی FRCNN را با 20 متخصص پوست مقایسه کردیم. در نتیجه، دقت طبقه بندی FRCNN بهتر از متخصصان پوست بود. در آینده، قصد داریم که این سیستم را در جامعه پیاده سازی کنیم و برای عموم مردم مورد استفاده قرار دهیم تا پیش آگهی آن ها از سرطان پوست بهبود یابد.

Recent studies have demonstrated the usefulness of convolutional neural networks (CNNs) to classify images of melanoma, with accuracies comparable to those achieved by dermatologists. However, the performance of a CNN trained with only clinical images of a pigmented skin lesion in a clinical image classification task, in competition with dermatologists, has not been reported to date. In this study, we extracted 5846 clinical images of pigmented skin lesions from 3551 patients. Pigmented skin lesions included malignant tumors (malignant melanoma and basal cell carcinoma) and benign tumors (nevus, seborrhoeic keratosis, senile lentigo, and hematoma/hemangioma). We created the test dataset by randomly selecting 666 patients out of them and picking one image per patient, and created the training dataset by giving bounding-box annotations to the rest of the images (4732 images, 2885 patients). Subsequently, we trained a faster, region-based CNN (FRCNN) with the training dataset and checked the performance of the model on the test dataset. In addition, ten board-certified dermatologists (BCDs) and ten dermatologic trainees (TRNs) took the same tests, and we compared their diagnostic accuracy with FRCNN. For six-class classification, the accuracy of FRCNN was 86.2%, and that of the BCDs and TRNs was 79.5% (p = 0.0081) and 75.1% (p < 0.00001), respectively. For two-class classification (benign or malignant), the accuracy, sensitivity, and specificity were 91.5%, 83.3%, and 94.5% by FRCNN; 86.6%, 86.3%, and 86.6% by BCD; and 85.3%, 83.5%, and 85.9% by TRN, respectively. False positive rates and positive predictive values were 5.5% and 84.7% by FRCNN, 13.4% and 70.5% by BCD, and 14.1% and 68.5% by TRN, respectively. We compared the classification performance of FRCNN with 20 dermatologists. As a result, the classification accuracy of FRCNN was better than that of the dermatologists. In the future, we plan to implement this system in society and have it used by the general public, in order to improve the prognosis of skin cancer.

ترجمه این مقاله در 15 صفحه آماده شده و در ادامه نیز صفحه 11 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.