به‏کارگیری الگوریتم GBC جهت افزایش دقت تشخیص و حذف نویز ضربه در تصاویر ماموگرافی مبتنی بر شبکه عصبی MLP

چکیده مقدمه: سرطان پستان به‏رغم انتشار گسترده، به کمک تصاویر ماموگرافی و علایم بالینی بیمار قابل شناسایی به موقع و معالجه قطعی است. حذف اختلال­های ناخواسته نظیر نویزها و بهبود کیفیت تصاویر ماموگرافی، در افزایش دقت تشخیص سرطان موثر می­باشد. نویزهای ضربه در تصاویر ماموگرافی دیجیتال به گونه­ای است که در آن اختلاف شدت پیکسل نویزی با پیکسل‌های اطراف زیاد است. وجود علایم و ویژگی­های مختلف این بیماری، تشخیص را برای پزشکان دشوار می­کند. پردازش تصاویر ماموگرافی امکان تحلیل وضعیت بیماران برای تصمیم­گیری­های پزشکی را فراهم می­کند. هدف این مقاله، ارایه یک مدل برای حذف نویز ضربه از تصاویر ماموگرافی به منظور افزایش دقت پیش­بینی سرطان پستان است. روش بررسی: در این مطالعه، تصاویر ماموگرافی 574 بیمار مبتلا به سرطان پستان مورد بررسی قرار گرفته است. اطلاعات بیماران از پایگاه داده بیمارستان فوق تخصصی مرتاض یزد جمع­آوری شده ­است. به منظور ارایه مدل برای حذف نویز ضربه از تصاویر ماموگرافی از الگوریتم GBC و شبکه عصبی MLP استفاده می­شود. یافته­ها: مدل پیشنهادی با روش­هایی از قبیل MDBUTMF و ATSM مورد مقایسه قرار گرفت. نتایج شبیه­سازی برتری دقت تشخیص و حذف نویز ضربه از تصاویر ماموگرافی مدل ­پیشنهادی نسبت به سایر روش­ها را نشان می­دهد. همچنین PSNR تصویر به طور متوسط dB2 افزایش می­یابد. نتیجه­گیری: در حذف نویز ضربه به منظور پیش­بینی سرطان پستان، مدل پیشنهادی نسبت به سایر مدل­های مورد مقایسه دارای حداقل میزان خطا و بیش­ترین دقت و صحت ­است. روش ATSM، حداکثر میزان خطا و کم­ترین دقت را دارا می­باشد.