تشخیص زود هنگام سرطان سینه به کمک آنالیز تصاویر پزشکی توسط تبدیل ویولت

در این پایان نامه، روشی برای تشخیص زود هنگام سرطان سینه بر اساس آنالیز آماری بافت و ویژگی های حوزه فرکانس به کمک تصاویر ماموگرافی ارائه شده است. برای این منظور از ضرایب تبدیل موجک به عنوان ویژگی های حوزه فرکانس و آمارگان ماتریس هم رخداد به عنوان ویژگی های آماری بافت استفاده می کنیم. با توجه به حجم بالای ویژگی های استخراج شده از تصویر بافت سینه ، اقدام به انتخاب ویژگی می نماییم. برای این منظور ویژگی هایی را انتخاب می نماییم که استقلال بیشتری نسبت به هم داشته باشند. برای آموزش یک طبقه بند جهت جدا سازی بافت های سالم از میکروکلسیفیکیشن که نشانه اولیه برای سرطان سینه می باشد، ویژگی های اشاره شده از مجموعه آموزشی استخراج می شود. برای این منظور از طبقه بندهای svm و adaboost استفاده نموده ایم، که نتایج تجربی نشان داد که طبقه بند svm با هسته ی rbf بهتر می تواند بافت های سالم و نا سالم را جدا سازی نماید. برای از بین بردن شرایط تصادفی آموزش و آزمایش در مرحله طبقه بندی، از روش 10-fold cross validation استفاده شد تا معیار های ارزیابی طبقه بند از اعتبار کافی برخوردار باشند. برای ارزیابی روش پیشنهادی از پایگاه داده ddsm استفاده شد در این پایگاه داده تصاویر ماموگرافی هر بیمار از زوایای مختلف در دسترس است. هر تصویر توسط متخصص آنالیز شده و در مواردی که رسوب های کلسیمی (میکروکلسیفیکیشن) رویت شده است، منطقه مربوطه توسط متخصص مشخص شده است. با روش انتخاب ویژگی ترتیبی تعداد ویژگی مناسب برای طبقه بندی 13 ویژگی بدست آمد که درصد درستی در تشخیص بافت های سرطانی با طبقه بند svm و هسته ی rbf ، 90% بدست آمد.