Iranian Journal of Breast Diseases

fa تشخیص خودکار سرطان پستان از تصاویر ماموگرافی دیجیتال با استفاده از الگوریتم هوش مصنوعی YOLO Automatic Detection of Breast Cancer from Digital Mammography Images By YOLO Artificial Intelligence Algorithm تشخیص، درمان، بازتوانی Diagnosis, treatment, rehabilitation پژوهشي Research <div style="text-align: justify;">مقدمه: سرطان پستان یکی از شایع‌ترین و مرگ‌بارترین سرطان‌ها در میان زنان است و تشخیص زودهنگام آن نقش تعیین‌کننده‌ای در موفقیت درمان دارد. با وجود پیشرفت‌های ماموگرافی، تشخیص دقیق تومورهای کوچک یا کم‌کنتراست، به‌ویژه در کاربردهای زمان‌لحظه‌ای، همچنان چالش‌برانگیز است. در حالی‌که بیشتر مطالعات پیشین بر طبقه‌بندی کلی تصاویر تمرکز داشته‌اند، مکان‌یابی دقیق ضایعات کمتر مورد توجه قرار گرفته است. پژوهش حاضر با هدف رفع این خلأ، یک سامانه‌ی هوشمند مبتنی بر مدل YOLOv11n را همراه با پیش‌پردازش هدفمند و نقشه‌های حرارتی برای شناسایی و مکان‌یابی خودکار تومورهای پستان در تصاویر ماموگرافی دیجیتال ارائه می‌دهد. روش بررسی: در این مطالعه، تصاویر ماموگرافی دیجیتال از پایگاه داده VinDr-Mammo استخراج و به مجموعه‌های آموزش، اعتبارسنجی و آزمون تقسیم شدند. به‌منظور بهبود کیفیت داده‌ها، از داده‌افزایی هدفمند، بهبود کنتراست با روش CLAHE، فیلتر دوطرفه و تولید نقشه‌های حرارتی استفاده شد. سپس عملکرد مدل‌های YOLO و مرجع تحت شرایط یکسان با استفاده از شاخص‌های Precision، Recall و میانگین دقت (mAP₀.₅ و mAP₀.₅:₀.₉₅) ارزیابی گردید. یافته‌ها: نتایج نشان داد مدل مبتنی بر YOLOv11n بهترین عملکرد را با 24/70٪ =Precision، 01/68٪=Recall، 28/68٪ =mAP₀.₅ و 82/40٪ mAP₀.₅:₀.₉₅= به دست آورد. همچنین، این مدل نسبت به YOLOv5 و Faster R-CNN بهبود 6 تا 9 درصدی در دقت مکان‌یابی ضایعات و زمان استنتاج کمتر از 40 میلی‌ثانیه را نشان داد. استفاده از نقشه‌های حرارتی موجب کاهش مثبت‌های کاذب در پستان‌های متراکم و افزایش حساسیت در تشخیص توده‌های کوچک شد. نتیجه‌گیری: رویکرد پیشنهادی جدید مبتنی بر ترکیب YOLOv11n و نقشه حرارتی می‌تواند به‌عنوان یک راهکار سریع، پایدار و دقیق در سامانه‌های کمک‌تشخیصی بالینی مورد استفاده قرار گیرد و با کاهش بار کاری رادیولوژیست‌ها، نقش مؤثری در تشخیص زودهنگام سرطان پستان ایفا کند.</div> <div style="text-align: justify;">Introduction: Early detection of breast cancer in digital mammography remains technically challenging, particularly for small or low-contrast lesions embedded within dense fibroglandular tissue. Structural noise and subtle lesion margins often reduce localization accuracy and increase false-negative interpretations in screening settings. To address these limitations, this study proposes a lightweight object-detection framework based on YOLOv11n, enhanced with targeted preprocessing and heatmap-guided spatial attention to improve lesion detectability and localization precision.           Methods: Digital mammography images from the VinDr-Mammo dataset were used for model development and evaluation under standardized training conditions. The proposed framework incorporated contrast-limited adaptive histogram equalization (CLAHE), bilateral filtering, and spatial attention guidance during training. Performance was quantitatively assessed using Precision, Recall, mean Average Precision (mAP@0.5 and mAP@0.5:0.95), and inference time, and compared against YOLOv5, YOLOv8, EfficientDet-D0, and Faster R-CNN. Results: The YOLOv11n-based framework achieved precision of 70.24%, recall of 68.01%, mAP@0.5 of 68.28%, and mAP@0.5:0.95 of 40.82%. Compared with reference models, the proposed approach improved mAP@0.5 by 6–9% and Recall by 5–7%, while maintaining real-time inference speed (<40 ms per image). The increase in Recall reflects a measurable reduction in false-negative detections, which is clinically relevant for early-stage lesion identification. Concurrently, the maintained Precision indicates controlled false-positive rates, supporting the practical applicability of screening. Conclusion: The proposed YOLOv11n-based framework demonstrates robust detection performance and real-time feasibility, suggesting its potential as a pre-clinical decision-support module for mammography CAD systems. However, external multi-center validation, radiologist-in-the-loop studies, and workflow integration assessment are required before clinical deployment.</div> سرطان پستان, ماموگرافی دیجیتال, سامانه کمک تشخیصی, نقشه حرارتی, الگوریتم YOLO Breast Cancer, Digital Mammography, Heatmap, YOLOv11, Computer-Aided Diagnosis 31 48 http://ijbd.ir/browse.php?a_code=A-10-1935-1&slc_lang=fa&sid=1 Zahra Samadi زهرا صمدی z.samadi@iau.ac.ir 2580469321 0009-0000-8318-6426 No Department of Biomedical Engineering, Qa.c., Islamic Azad University, Qazvin, Iran گروه مهندسی پزشکی، مهندسی برق، مکاترونیک و مهندسی پزشکی، دانشگاه آزاد قزوین، قزوین، ایران Mohammad Norouzi محمد نوروزی mh.norouzi@iau.ir 000319475328460013683 000319475328460013683 Yes Department of Electrical Engineering, Qa.C., Islamic Azad University, Qazvin, Iran گروه مهندسی برق، دانشکده مهندسی برق، مکاترونیک و مهندسی پزشکی، دانشگاه آزاد قزوین، قزوین، ایران Seyyed Omid Shahdi سید امید شهدی shahdi@qiau.ac.ir 000319475328460013684 000319475328460013684 No Department of Electrical Engineering, Qa.C., Islamic Azad University, Qazvin, Iran گروه مهندسی برق، دانشکده مهندسی برق، مکاترونیک و مهندسی پزشکی، دانشگاه آزاد قزوین، قزوین، ایران Mona Haddad Zahmatkesh مونا حداد زحمت‌کش haddad@gums.ac.ir 2721599372 000319475328460013685 No Department of Pharmaceutical Biotechnology-Nuclear Pharmacy, School of Pharmacy, Guilan University of Medical Sciences, Rasht, Iran گروه بیوتکنولوژی دارویی و داروسازی هسته‌ای، دانشکده داروسازی، دانشگاه علوم پزشکی گیلان، رشت، ایران