تشخیص توده مربوط به پستان از روی پردازش تصاویر ماموگرافی

Abstract

strongspan style=color:#0070c0;span style=font-family:B Mitra;span style=font-size:10.0pt;زمینه و هدف: /span/span/span/strongspan style=color:black;span style=font-family:B Mitra;span style=font-size:10.0pt;سرطان پستان مهم‌ترین و رایج‌ترین بیماری در بین زنان است که دومین میزان مرگ‌و‌میر را بعد از سرطان‌ ریه به خود اختصاص داده‌است. ماموگرافی دیجیتال تصویر گرفته شده با استفاده از اشعه /span/span/spanspan dir=LTRspan style=color:black;span style=font-family:Times New Roman,serif;span style=font-size:10.0pt;x/span/span/span/spanspan style=color:black;span style=font-family:B Mitra;span style=font-size:10.0pt; برای تجزیه ‌و تحلیل، تفسیر و تشخیص می‌باشد. تشخیص خودکار سرطان پستان در تصاویر ماموگرافی یک وظیفه چالش برانگیز در بین سیستم‌های تشخیص به کمک کامپیوتر(/span/span/spanspan dir=LTRspan style=color:black;span style=font-family:Times New Roman,serif;span style=font-size:10.0pt;CAD/span/span/span/spanspan style=color:black;span style=font-family:B Mitra;span style=font-size:10.0pt;) می‌باشد. /span/span/spanbr strongspan style=color:#0070c0;span style=font-family:B Mitra;span style=font-size:10.0pt;روش کار:/span/span/span/strong span style=color:black;span style=font-family:B Mitra;span style=font-size:10.0pt;در این مقاله یک راهکار برای تشخیص اتوماتیک سرطان پستان ارائه شده است. راهکار ارائه شده شامل ۳ مرحله اصلی استخراج ناحیه پستان، حذف عضله پکتورال و طبقه‌بندی ویژگی‌های استخراج شده به دو دسته سرطانی و غیر‌سرطانی می‌باشد. /span/span/spanbr strongspan style=color:#0070c0;span style=font-family:B Mitra;span style=font-size:10.0pt;یافتهshy; ها:/span/span/span/strongspan style=color:black;span style=font-family:B Mitra;span style=font-size:10.0pt; برای قطعه‌بندی از روش آستانه‌گذاری اتسو و سپس حذف عضله پکتورال با استفاده از انتخاب پیکسل دانه و الگوریتم رشد ناحیه میسر‌ شده‌است. در مرحله بعدی ماتریس هم‌وقوعی خاکستری تصویر(/span/span/spanspan dir=LTRspan style=color:black;span style=font-family:Times New Roman,serif;span style=font-size:10.0pt;GLCM/span/span/span/spanspan style=color:black;span style=font-family:B Mitra;span style=font-size:10.0pt;)که توصیف‌کننده بافت تصویر است ایجاد شده و ۱۶ ویژگی از آن استخراج ‌می‌شود. در نهایت طبقه‌بندی های مختلفی برای ‌تفکیک ناحیه پستان به بافت‌های نرمال و سرطانی، آموزش داده می‌شوند./span/span/span span style=color:black;span style=font-family:B Mitra;span style=font-size:10.0pt;در نتایج به‌دست آمده نرخ تشخیص صحیح ۱۰۰ درصد برای شبکه عصبی و۳/۹۶ درصد برای طبقه‌بندهای درخت تصمیم گیری(/span/span/spanspan dir=LTRspan style=color:black;span style=font-family:Times New Roman,serif;span style=font-size:10.0pt;C5.0,CHAID/span/span/span/spanspan style=color:black;span style=font-family:B Mitra;span style=font-size:10.0pt;) بدست‌آمده است. /span/span/spanbr strongspan style=color:#0070c0;span style=font-family:B Mitra;span style=font-size:10.0pt;نتیجه‌گیری:/span/span/span/strongspan style=color:black;span style=font-family:B Mitra;span style=font-size:10.0pt; اعتبار سنجی راهکار ارائه شده در این مقاله با استفاده از داده های پایگاه /span/span/spanspan dir=LTRspan style=color:black;span style=font-family:Times New Roman,serif;span style=font-size:10.0pt;mini-MIAS/span/span/span/spanspan style=color:black;span style=font-family:B Mitra;span style=font-size:10.0pt; انجام شده‌است و نتایج با کار‌های قبلی انجام شده مقایسه شده‌است که نشان ‌می‌‌دهد راهکار ارائه شده می‌تواند با اطمینان برای تشخیص سرطان پستان اعمال شود./span/span/span