Thesis (M.Sc)-Cairo University, 2023.

Bibliography: pages 52-59.

Breast cancer is defined as abnormal cellular proliferation in the breast. The most common kind of cancer that affects the breast and causes mortality in women is Invasive ductal carci- noma IDC. As a result, early diagnosis and prognosis have become critical to maximize survival and minimize mortality. Mammograms, computerized tomography (CT) scans, Magnetic Res- onance Imaging (MRI), ultrasounds, and Histopathology evaluation with a biopsy are among the breast cancer tests available. Histopathology evaluation is regarded as one of the most trust- worthy techniques for determining if suspicious lesions are malignant.On the other hand, The diagnosis of human diseases using histopathology images is a challenging and specialized task that heavily relies on the experience of pathologists. One critical concern is the misdiagnosis of breast cancer, as it can hinder effective medical treatment and lower the chances of patient sur- vival. To address this issue, there is a growing demand in the field of Artificial Intelligence (AI) for a highly accurate Computer-Assisted Diagnosis (CAD) system that can support doctors and pathologists in diagnosing and classifying tumors. Traditional machine learning approaches often require manual feature extraction before the classification process. This step adds com- plexity and is time-consuming, requiring prior knowledge of the problem domain. In recent years, deep learning has emerged as a promising technique in computer vision systems, includ- ing medical imaging. However, the availability of medical image datasets is limited, making it challenging to train deep learning algorithms on various tumor image variations. This thesis proposes an enhanced approach for classifying breast cancer IDC using a proposed CNN model that named (CancerNet) and compares the experimental results to several pre-trained models by transfer learning such as VGG16, VGG19, and ResNet50 on the same dataset. evaluate the proposed model on a benchmark dataset containing 277,524 patches. Our proposed model has achieved accuracy in terms of Area Under Curve (AUC), precision, recall, and F1-score of 86%, 92%, 81%, 84%, and 83%, respectively, outperforming the previous work on the same benchmark.

يعد سرطان الثدي أحد الأسباب الرئيسية لوفيات السرطان في جميع أنحاء العالم. يعد الاكتشاف والتشخيص المبكر أمرًا بالغ الأهمية لتحسين معدلات البقاء على قيد الحياة. يتم استخدام اختبارات تشخيصية مختلفة، مثل تصوير الثدي بالأشعة السينية، والأشعة المقطعية، والتصوير بالرنين المغناطيسي، والموجات فوق الصوتية، وتقييم التشريح المرضي، في تشخيص سرطان الثدي. يعتبر تقييم التشريح المرضي، وخاصة من خلال الخزعات، وسيلة موثوقة لتحديد الورم الخبيث للآفات المشبوهة. ومع ذلك، يعتمد التشخيص الدقيق بشكل كبير على خبرة علماء الأمراض، ويمكن أن يؤدي التشخيص الخاطئ إلى علاج غير فعال وتقليل فرص البقاء على قيد الحياة. ولمواجهة هذا التحدي، هناك طلب متزايد على أنظمة التشخيص بمساعدة الكمبيوتر الدقيقة CAD التي تستخدم الذكاء الاصطناعي AI في تشخيص سرطان الثدي. تتطلب أساليب التعلم الآلي التقليدية استخراج الميزات يدويًا، وهو ما يستغرق وقتًا طويلاً ومحددًا بالمجال. لقد ظهر التعلم العميق كنهج واعد في السنوات الأخيرة، خاصة في مهام رؤية الكمبيوتر مثل التصوير الطبي. ومع ذلك، فإن تدريب خوارزميات التعلم العميق بشكل فعال لتشخيص سرطان الثدي يعوقه التوفر المحدود لمجموعات بيانات الصور الطبية المتنوعة. تقترح هذه الأطروحة نهجًا معززًا يسمى CancerNet، والذي يستخدم نموذج الشبكة العصبية التلافيفية CNN لتصنيف سرطان الثدي، مع التركيز بشكل خاص على سرطان الأقنية الغازية IDC وهو السرطان الأكثر انتشارًا والمهدد للحياة الذي يصيب النساء. لقد استخدمنا بنية الشبكة الالتفافية القابلة للفصل Depthwise كخط أساس لنموذج CNN الخاص بنا. تتم مقارنة النموذج المقترح مع النماذج المدربة مسبقًا مثل VGG16 وVGG19 وResNet50 باستخدام تعلم النقل على نفس مجموعة البيانات. يتم إجراء التقييم على مجموعة بيانات مرجعية IDC تضم 277,524 صورة ، بما في ذلك 198,738 مثالًا سلبيًا و78,786 مثالًا إيجابيًا. نظرًا لأن مجموعات بيانات الصور الطبية غير متوازنة، قمنا بتطبيق تقنيات تكبير مختلفة لتعظيم بياناتنا أثناء وقت التشغيل. قمنا بتقسيم مجموعة بيانات صور السرطان IDC إلى التدريب والتحقق والاختبار بنسب مقسمة تبلغ 70% و10% و20% على التوالي . حيث تفوقت النتائج التي تم الحصول عليها باستخدام نموذج CancerNet على الدراسات السابقة على نفس مجموعة الصور . يحقق النموذج دقة تبلغ 86%، ومنطقة تحت المنحنى AUC تبلغ 92%، واستدعاء 84%، ودرجة F1 تبلغ 83%. توضح هذه النتائج فعالية نموذج CancerNet المقترح في تحسين تصنيف سرطان الثدي مقارنة بالمناهج الحالية

Issues also as CD.

Text in English and abstract in Arabic & English.