انتخاب ویژگی‌های موثر سیگنال‌های فرکانس رادیویی اولتراسوند خام به منظور بهبود طبقه‌بندی هوشمند ضایعات پستانی با استفاده از یادگیری ماشین

نویسندگان

1 دانشجوی دکتری، گروه بیوالکتریک، دانشکده‌ی مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران، ایران

2 دانشیار، گروه بیوالکتریک، دانشکده‌ی مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران، ایران

3 دانشیار، مرکز تصویربرداری پزشکی-رادیولوژی، پژوهشکده‌ی سرطان، مرکز تحقیقات رادیولوژی پیشرفته‌ی تشخیصی و مداخله‌ای بیمارستان امام خمینی، دانشگاه علوم پزشکی تهران، تهران، ایران

4 استادیار، گروه مهندسی پزشکی، دانشکده‌ی علوم و فناوری‌های پزشکی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

5 دکتری، گروه بیوالکتریک، دانشکده‌ی مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران، ایران

doi
10.22041/ijbme.2024.2012148.1864
چکیده

سرطان پستان رایج‌ترین نوع سرطان در زنان است. بیش از 80% ناهنجاری‌های پستان در مراحل اولیه خوش‌خیم هستند. بنابراین تشخیص زودهنگام مهم‌ترین چالش برای درمان به موقع است. یکی از روش‌های غیرتهاجمی و زمان واقعی برای غربال‌گری سرطان پستان استفاده از سیگنال‌های فرکانس رادیویی اولتراسوند (US RF) است. این روش علاوه بر تمایز بافتی و مقرون‌ به ‌صرفه بودن، در مقایسه با روش­های دیگر نیازی به تجهیزات تکمیلی ندارد. این پژوهش با هدف ارائه‌ی رویکردی هوشمند برای طبقه‌بندی ضایعات خوش‌خیم، مشکوک و بدخیم پستان بر اساس ویژگی‌های موثر استخراج شده از سری زمانی US RF صورت گرفته است. مجموعه‌ی داده‌ی US RF ثبت شده با عنوان USRFTS شامل 170 داده‌ از ضایعات مذکور بوده که از 88 بیمار به دست آمده است. روش پیشنهادی در این تحقیق شامل چهار بخش اصلی پیش‌پردازش، استخراج ویژگی، انتخاب ویژگی و طبقه‌بندی است. در مرحله‌ی پیش‌پردازش پس از بازسازی تصاویر B-mode از سری­های زمانی US RF ثبت شده، ناحیه‌ی دارای ضایعه (ROI) در هر تصویر B-mode توسط پرتوشناس به صورت دستی انتخاب شده است. در ادامه ویژگی‌های مختلف حوزه‌های زمان و فرکانس در مرحله‌ی استخراج ویژگی از هر ROI استخراج شده و پس از آن ویژگی‌های موثر با استفاده از روش کلونی مورچه انتخاب شده است. در نهایت دادگان با استفاده از طبقه‌بندهای ماشین بردار پشتیبان (SVM)، K-نزدیک‌ترین همسایه (KNN)، درخت تصمیم (DT)، تجزیه‌ی تشخیص خطی (LDA) و هم‌چنین روش طبقه‌بندی با مرجع (RCM) مورد ارزیابی قرار گرفته است. با توجه به نتایج به دست آمده بیشینه‌ی صحت طبقه‌بندی دوکلاسه و سه‌کلاسه به ترتیب برابر با 95/94% و 33/93% ارزیابی شده است.