یک روش هیبریدی جدید جهت قطعه‏‎بندی و تشخیص تومورهای موجود در تصاویر ماموگرافی بافت پستان

چکیده مقدمه: سرطان پستان یکی از شایع‎ترین بیماری‎های زنان است. شناسایی و مرزبندی توده‌ها و تشخیص تومورهای موجود در بافت پستان از چالش‏های جدی در تشخیص این سرطان است. در حال حاضر ماموگرافی، متداول‏ترین راه تشخیص تومورهای موجود در پستان می‏باشد که عدم شناسایی صحیح مرز توده‎ها در آن می‏تواند منجر به تشخیص یا نمونه‎برداری نادرست از بافت پستان ‎شود. هدف این مقاله، معرفی یک روش هیبریدی هوشمند جدید برای شناسایی و مرزبندی تومورهای پستان در تصاویر ماموگرافی است که تشخیص خودکار خوش خیم یا بدخیم بودن تومور را تسهیل کند. روش بررسی: در این مطالعه از داده‏های پایگاه داده DDSM که شامل 150 تصویر ماموگرافی حاوی تومورهای خوش‎خیم و 150 تصویر ماموگرافی حاوی تومورهای بدخیم است، استفاده شد. پس از حذف نواحی اضافی مانند پس‎زمینه، با قطعه‎بندی تصاویر ماموگرام بر مبنای هیستوگرام تصویر و ترکیب تبدیل موجک و الگوریتم ژنتیک و نیز مورفولوژی ریاضی مرز تومور استخراج شد. همچنین علاوه بر الگوریتم ژنتیک، الگوریتم های بهینه‎سازی کلونی مورچگان و بهینه‎سازی ازدحام ذرات نیز برای قطعه‎بندی تصاویر ماموگرافی مورد استفاده و مقایسه قرار گرفتند. یافته‎ها: الگوریتم هیبریدی پیشنهادی صحت خوب و سرعت بالایی در قطعه‎بندی تصاویر ماموگرافی جهت تشخیص تومورهای پستان دارد. برای طبقه‏بندی تومورها، قطعه‏بندی با استفاده از الگوریتم ژنتیک نسبت به الگوریتم بهینه‌سازی کلونی مورچگان و بهینه‏سازی ازدحام ذرات صحت بالاتری دارد. مرزبندی تومورهای شناسایی شده در تصاویر حاصل از قطعه‎بندی با الگوریتم هیبریدی پیشنهادی، منجر به صحت طبقه‏بندی 4/91% (طبقه‏بندی به دو دسته خوش‏خیم و بدخیم) شده است که مطلوب است. نتیجه‏گیری: الگوریتم هیبریدی پیشنهادی، الگوریتمی سریع و کارآمد برای قطعه‎بندی تصاویر ماموگرافی و مرزبندی تومورهای پستان است. نتایج این مطالعه نشان داد که اولا روش هوشمند ارایه شده، دارای صحت مناسب جهت کمک به تشخیص رادیولوژیست‎ها و تا حدودی حذف مرحله نمونه‎برداری از بافت پستان می‏باشد. ثانیا بین سه الگوریتم ژنتیک، بهینه‌سازی کلونی مورچگان، و بهینه‏سازی ازدحام ذرات، الگوریتم ژنتیک منجر به صحت بالاتر طبقه‏بندی تومورها می‏شود.