application of modern deep lerning techniques to histpathological images for early detection and characterization of breast concer

Abstract

هدفت هذه الدراسة إلى تقييم فعالية تقنيات التعلم العميق في الكشف المبكر عن سرطان الثدي من خلال تصنيف الصور النسيجية المرضية إلى أورام حميدة وخبيثة باستخدام مجموعة بيانات BreakHis. ولتحقيق هذا الهدف، تم استخدام ثلاثة نماذج متقدمة للتعلم العميق: InceptionV3 وDenseNet-201 وVision Transformer (ViT). بالإضافة إلى ذلك، تم بحث تأثير العديد من تقنيات المعالجة المسبقة للصور، وتحديدًا CLAHE وStain Normalization، فضلًا عن دمجها، وذلك لتحسين جودة الصورة ورفع كفاءة تصنيف النماذج.

أظهرت النتائج أن تقنيات المعالجة المسبقة كان لها تأثير إيجابي على أداء النموذج، حيث ارتفعت دقة نموذج InceptionV3 من 78.60% عند استخدام الصور الخام إلى 82.56% بعد تطبيق أسلوب المعالجة المسبقة المدمج (CLAHE + Stain Normalization)، مما يؤكد فعالية هذه التقنيات في تحسين جودة الصورة وإبراز السمات النسيجية المهمة للتصنيف.

حقق نموذج DenseNet-201 أداءً جيدًا أيضًا، حيث بلغت دقته حوالي 86%، إلى جانب قيم عالية للدقة والاستدعاء ومقياس F1. ويعكس هذا قدرته على استخلاص السمات النسيجية الدقيقة والتمييز بفعالية بين الأورام الحميدة والخبيثة.

أما نموذج Vision Transformer (ViT) فقد حقق أفضل النتائج بين جميع النماذج المختبرة، بدقة تصنيف بلغت 95.20%. وكانت قيم الدقة والاستدعاء ومقياس F1 هي 96.79% و96.20% و96.49% على التوالي. بالإضافة إلى ذلك، بلغت قيمة معامل الارتباط ماثيوز (MCC) 88.89%، مما يشير إلى أداء عالٍ وموثوقية قوية في تصنيف صور الأنسجة المرضية للثدي.

تُبرز هذه النتائج أهمية تطبيق تقنيات المعالجة المسبقة للصور لتحسين جودة الصور الطبية وتعزيز أداء نماذج التعلم العميق. كما تُؤكد على الإمكانات الواعدة لنموذج Vision Transformer (ViT) باعتباره النموذج الأكثر فعالية من بين النماذج المدروسة. وبالتالي، يمكن اعتباره نهجًا واعدًا لتطوير أنظمة ذكية لدعم التشخيص المبكر لسرطان الثدي واتخاذ القرارات السريريةThis study aimed to evaluate the effectiveness of deep learning techniques in the early detection of breast cancer through the classification of histopathological images into benign and malignant tumors using the BreakHis dataset. To achieve this objective, three advanced deep learning models were employed: InceptionV3, DenseNet-201, and Vision Transformer (ViT). In addition, the impact of several image preprocessing techniques was investigated, namely CLAHE and Stain Normalization, as well as their combination, in order to enhance image quality and improve the classification performance of the models. The results showed that preprocessing techniques had a positive impact on model performance, where the accuracy of the InceptionV3 model increased from (78.60%) when using raw images to (82.56%) after applying the combined preprocessing approach (CLAHE + Stain Normalization), confirming the effectiveness of these techniques in improving image quality and highlighting important histological features for classification. The DenseNet-201 model also achieved good performance, reaching an accuracy of approximately (86%), along with high values of Precision, Recall, and F1-Score. This reflects its ability to extract fine-grained histological features and effectively distinguish between benign and malignant tumors. The Vision Transformer (ViT) model achieved the best results among all tested models, with a classification accuracy of (95.20%). The values of Precision, Recall, and F1-Score were (96.79%), (96.20%), and (96.49%), respectively. In addition, the MCC value reached (88.89%), indicating high performance and strong reliability in classifying breast histopathological images. These findings highlight the importance of applying image preprocessing techniques to improve the quality of medical images and enhance the performance of deep learning models. They also emphasize the promising potential of the Vision Transformer (ViT) as the most effective model among those studied. Consequently, it can be considered a promising approach for developing intelligent systems to support early breast cancer diagnosis and clinical decision-making.