آشکارسازی و دسته‌بندی تمام خودکار نواحی مشکوک در تصاویر ترموگرام پستان برای تشخیص زودهنگام سرطان

Abstract

سرطان پستان رایج­ترین نوع سرطان در بین زنان است. مطالعات پاتولوژیک نشان داد­اند که بیش از80% ناهنجاری ­های پستان در مراحل اولیه خوش­خیم هستند، بنابراین مهم­­ترین مسأله در درمان آن تشخیص زودهنگام است. ترموگرافی مادون­ قرمز پستان یک روش تصویرگیری مبتنی بر ثبت الگوهای توزیع دمایی بافت پستان است و در مقایسه با ماموگرافی پستان به دلیل غیرتهاجمی، غیرتماسی، غیرفعال بودن و عدم استفاده از تابش یونیزان روشی بسیار مناسب درتشخیص زودهنگام سلول­ های سرطانی است. در این مقاله روشی به ­منظور آشکارسازی خودکار نواحی مشکوک در تصاویر ترموگرام پستان با هدف کمک رساندن به پزشکان در تشخیص زودهنگام این سرطان ارائه شده است،­ به­ نحوی که دقت و صحت را افزایش داده و درصد پذیرش اشتباه را کاهش می دهد. این الگوریتم شامل 4 بخش اصلی پردازش تصویر، استخراج ویژگی، انتخاب ویژگی و طبقه­­بندی است. در مرحله­­ی پردازش، ابتدا براساس عملیاتی تمام خودکار، ناحیه­­ی مطلوب تعیین شده، کیفیت تصاویر ارتقاء یافته و سپس پستان راست و چپ از یکدیگر جدا می­­شوند. سپس درایه­های ماتریس تصویر، نرمال­­سازی شده و نواحی نسبی مشکوک تعیین می ­شوند. پس از آن و در مرحله­ی­ استخراج ویژگی، ویژگی­­های آماری، ویژگی­­هایی مبتنی بر هیستوگرام، ویژگی­­هایی مبتنی بر ماتریس هم­­وقوعی (<em>GLCM</em>)، ویژگی­­هایی بر اساس مورفولوژی نواحی مشکوک و ویژگی ­هایی در حوزه­­ی فرکانس از هر یک از نواحی بخش­­بندی شده­ی پستان­ راست و چپ استخراج می­­شوند. در ادامه برای دست­یابی به بهترین ویژگی­­ها، روش­­های انتخاب ویژگی نظیر کم­ترین افزونگی و بیش­ترین ارتباط (<em>mRMR</em>)، انتخاب متوالی روبه جلو (<em>SFS</em>)، انتخاب متوالی روبه عقب (<em>SBS</em>)، انتخاب متوالی سیال روبه جلو (<em>SFFS</em>)، انتخاب متوالی سیال روبه عقب (<em>SFBS</em>) و الگوریتم ژنتیک (<em>GA</em>) به­کار گرفته می­شود. در پایان برای طبقه­­بندی و تعیین معیار استاندارد برای تحلیل دمای عروقی پستان­ها (<em>TH</em>)، روش­­های مختلف طبقه­­بندی مانند <em>AdaBoost</em>، ماشین­­های بردار پشتیبان (<em>SVM</em>)، نزدیک­­ترین همسایه (<em>KNN</em>)، بیزین ساده (<em>NB</em>) و شبکه­­ی عصبی احتمالی (<em>PNN</em>) مورد ارزیابی قرار گرفتند، تا از مناسب ­ترین آن­ها به ­منظور طبقه­­بندی ویژگی­­ها استفاده شود. نتایج به­­دست­ آمده روی پایگاه داده­­ی بومی، بیانگر ­ کارایی قابل­توجه روش پیشنهادی است. با توجه به نتایج، ترکیب <em>mRMR</em> با <em>AdaBoost</em> با بیشینه صحت 92% و ترکیب <em>SFFS</em> با <em>AdaBoost</em> با بیشینه صحت 88%، به­ترتیب بهترین ترکیبات به­­دست­ آمده روی تصاویر پستان راست و چپ ارزیابی شدند.