OCENA WYDAJNOŚCI OBRAZÓW TERMOGRAFICZNYCH DO PRZEWIDYWANIA STOPNIA GUZA PIERSI PRZY UŻYCIU DCNN

Wczesny i zaawansowany rak piersi stanowią odrębne procesy chorobowe. Dlatego też identyfikacja stadium nowotworu jest kluczową procedurą dla optymalizacji skuteczności leczenia. Termografia piersi wykazała znaczny postęp w nieinwazyjnym wykrywaniu nowotworów. Jednak dokładne określenie stopnia zaawansowania nowotworu na podstawie rozkładu temperatury stanowi trudne zadanie, głównie ze względu na niedobór obrazów termicznych oznaczonych stopniem zaawansowania nowotworu. W niniejszej pracy zaproponowano podejście uczenia transferowego oparte na głębokiej konwolucyjnej sieci neuronowej (DCNN) z obrazami termicznymi do przewidywania stadium guza piersi. Różne scenariusze stadium nowotworu, w tym guzy wczesne i zaawansowane, są osadzone w trójwymiarowym modelu piersi przy użyciu metody elementów skończonych (MES) dostępnej w oprogramowaniu COMSOL Multiphysics. Pozwala to na wygenerowanie zestawu danych obrazów termicznych do trenowania modelu DCNN. Przeprowadzono szczegółowe badanie procesu dostrajania hiperparametrów w celu wybrania optymalnego modelu predykcyjnego. W związku z tym różne wskaźniki oceny, w tym dokładność, czułość i swoistość, są obliczane przy użyciu macierzy pomyłek. Wyniki pokazują zdolność modelu DCNN do dokładnego przewidywania stadium guza piersi na podstawie obrazów termograficznych, z dokładnością 98,2%, czułością 98,8% i swoistością 97,7%. Badanie to wskazuje na obiecujący potencjał obrazów termograficznych w ulepszaniu algorytmów głębokiego uczenia się w celu nieinwazyjnego przewidywania stadium guza piersi.