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

Authors

  • امیراحسان لشکری دکتری مهندسی پزشکی، پژوهشکده مهندسی برق و فناوری اطلاعات، سازمان پژوهش های علمی و صنعتی ایران، تهران
  • فاطمه پاک همکار طرح، گروه بیوالکتریک، پژوهشکده مهندسی برق و فناوری اطلاعات، سازمان پژوهش های علمی و صنعتی ایران، تهران
  • محمد فیروزمند استادیار، گروه بیوالکتریک، پژوهشکده مهندسی برق و فناوری اطلاعات، سازمان پژوهش های علمی و صنعتی ایران، تهران
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 (GLCM)، 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 (mRMR)، انتخاب متوالی روبه جلو (SFS)، انتخاب متوالی روبه عقب (SBS)، انتخاب متوالی سیال روبه جلو (SFFS)، انتخاب متوالی سیال روبه عقب (SFBS) و الگوریتم ژنتیک (GA) به­کار گرفته می­شود. در پایان برای طبقه­­بندی و تعیین معیار استاندارد برای تحلیل دمای عروقی پستان­ها (TH)، روش­­های مختلف طبقه­­بندی مانند AdaBoost، ماشین­­های بردار پشتیبان (SVM)، نزدیک­­ترین همسایه (KNN)، بیزین ساده (NB) و شبکه­­ی عصبی احتمالی (PNN) 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 mRMR با AdaBoost با بیشینه صحت 92% و ترکیب SFFS با AdaBoost با بیشینه صحت 88%، به­ترتیب بهترین ترکیبات به­­دست­ آمده روی تصاویر پستان راست و چپ ارزیابی شدند.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

آشکارسازی و دسته بندی تمام خودکار نواحی مشکوک در تصاویر ترموگرام سینه جهت تشخیص زودهنگام سرطان

سرطان سینه رایج ترین نوع سرطان در بین زنان میباشد. مطالعات پاتولوژیک نشان داده اند بیش از80% ناهنجاری های سینه در مراحل اولیه خوش خیم بوده، فلذا کلیدی ترین مسأله در درمان آن تشخیص زودهنگام می باشد. ترموگرافی مادون قرمز سینه یک روش تصویرگیری مبتنی بر ثبت الگوهای توزیع دمایی بافت سینه بوده و در مقایسه با ماموگرافی سینه به دلیل غیرتهاجمی، غیرتماسی، غیرفعال بودن و عدم استفاده از تابش یونیزان روشی ب...

full text

تشخیص زودهنگام و تعیین نوع ضایعه سرطان پستان در تصاویر پزشکی

مراحل کاری این سیستم ها شامل بهبود کیفیت تصویر، قطعه بندی نواحی آسیب دیده، استخراج ویژگی از این نواحی و در نهایت طبقه بندی آن ها به دسته های خوش خیم و بدخیم می باشد. رویکرد طبقه بندی توده ها براساس ویژگی ها به دو دسته تقسیم می شود که اولی بر اساس ویژگی های بافتی ناحیه ی توده و دیگری براساس ویژگی های شکلی و مرز منحنی توده می باشد. در راستای بهبود کیفیت تصاویر ماموگرافی در این پژوهش، با استفاده...

یک چارچوب جدید آشکارسازی و تشخیص لوگو در تصاویر متنی

آشکارسازی و تشخیص لوگو یک بخش اساسی در یک سیستم خودکارسازی اداری جهت بایگانی و بازیابی تصاویر متنی می‌باشد. در این مقاله، ما یک چارچوب جدید آشکارسازی و تشخیص لوگو مبتنی بر یک استراتژی ناحیه‌بندی و طبقه‌بندی پشت سر هم در تصاویر متنی پیشنهاد می‌کنیم. در این چارچوب، با استفاده از یک الگوریتم ناحیه‌بندی دو مرحله‌ای (شامل الگوریتمهای ناحیه‌بندی مبتنی بر تبدیل ویولت و آستانه‌گذاری) و طبقه‌بندی سلسله ...

full text

یک چارچوب جدید آشکارسازی و تشخیص لوگو در تصاویر متنی

آشکارسازی و تشخیص لوگو یک بخش اساسی در یک سیستم خودکارسازی اداری جهت بایگانی و بازیابی تصاویر متنی می‌باشد. در این مقاله، ما یک چارچوب جدید آشکارسازی و تشخیص لوگو مبتنی بر یک استراتژی ناحیه‌بندی و طبقه‌بندی پشت سر هم در تصاویر متنی پیشنهاد می‌کنیم. در این چارچوب، با استفاده از یک الگوریتم ناحیه‌بندی دو مرحله‌ای (شامل الگوریتمهای ناحیه‌بندی مبتنی بر تبدیل ویولت و آستانه‌گذاری) و طبقه‌بندی سلسله ...

full text

معرفی یک سیستم هوشمند برای تشخیص دقیق سرطان پستان

مقدمه: تشخیص به‌موقع سرطان پستان به‌طور چشمگیری مرگ­ومیر ناشی از آن را در جامعه زنان کاهش می‌دهد. آزمایش آسپیراسیون سوزنی (FNA) روشی ساده، ارزان و غیرتهاجمی برای تشخیص دقیق و زودهنگام این سرطان است که امروزه تلاش می­شود به‌صورت هوشمند و ماشینی انجام گیرد.روش بررسی­: مراحل ایجاد یک سیستم هوشمند برای تشخیص سرطان پستان عبارت‌اند از: ثبت تصاویر میکروسکوپیک از نمونه FNA، استخراج ویژگی­های عددی از ای...

full text

بررسی شبکه های عصبی کانولوشن عمیق جهت تشخیص سرطان پستان در تصاویر ترموگرافی

چکیده زمینه و هدف: سیستم‌های تشخیص Computer-aided design به طور گسترده در تشخیص افتراقی سرطان سینه استفاده می‌شوند. بنابراین بهبود دقت یک سیستم CAD به یکی از حوزه‌های مهم تحقیقاتی تبدیل شده‌است. در این مقاله به بررسی سیستم های CAD مبتنی بر شبکه های عصبی عمیق از نوع کانولوشن در جهت تشخیص سرطان پستان در تصاویر ترموگرافی پرداخته شد. روش بررسی: برای تحلیل مدل‌ها از پایگاه داده “Database...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 9  issue 1

pages  71- 84

publication date 2015-03-21

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023