تشخیص خودکار خوشه های میکروکلسیفیکاسیون به کمک تبدیل موجک و شبکه های عصبی

Abstract

در این مقاله، یک سیستم CAD به منظور شناسایی و تشخیص خوشه های میکروکلسیفیکاسیون در تصاویر ماموگرافی معرفی شده است. الگوریتم معرفی شده مرکب از سه مرحله اساسی است. در مرحله اول، تبدیل موجک روی تصاویر ماموگرافی اعمال شده و دو ضریب موجک به همراه دو ویژگی آماری به عنوان ویژگی های متمایز کننده پیکسل ها از نظر تعلق به یک دانه میکروکلسیفیکاسیون استخراج می گردد. سپس با استفاده از یک شبکه عصبی، دسته بندی اولیه پیکسل ها انجام می شود. در مرحله دوم الگوریتم، پس از حذف پیکسل های نویزی حاصل از مرحله اول، اجسام باقیمانده از نظر مطابقت با یک دانه میکروکلسیفیکاسیون مورد بررسی قرار می گیرد. به این منظور، از 18 ویژگی تعریف شده برای هر دانه میکروکلسیفیکاسیون، و یک دسته بندی کننده غیرخطی استفاده شده و دانه های میکروکلسیفیکاسیون با دقت خوبی شناسایی می شود. برای آموزش این دسته بندی کننده، از 16 ناحیه حاوی میکروکلسیفیکاسیون های بدست آمده از تصاویر پایگاه داده ای که مجموعا شامل 379 میکروکلسیفیکاسیون بودند استفاده شده است. در مرحله سوم، با استفاده از 5 ویژگی مربوط به خوشه های میکروکلسیفیکاسیون و یک شبکه عصبی، در مورد بدخیمی خوشه های میکروکلسیفیکاسیون قضاوت به عمل می آید. برای آموزش این شبکه عصبی از 22 خوشه که از 14 خوشه خوش خیم و 8 خوشه بدخیم تشکیل شده بودند استفاده شد. برای سنجش کارآیی سیستم نیز 22 خوشه دیگر که در مرحله آموزش از آنها استفاده نشده بود و شامل 10 خوشه خوش خیم و 12 خوشه بد خیم بودند، به سیستم اعمال شد. با اعمال تصاویر فوق، این سیستم در مقدار آستانه 0.45 مقدار حساسیت 100% و مقدار خصوصیت 91.6% از خود نشان داد. با توجه به این مقادیر می توان قابلیت مناسب الگوریتم ایجاد شده را تایید نمود.