آشکارسازی و دستهبندی تمام خودکار نواحی مشکوک در تصاویر ترموگرام پستان برای تشخیص زودهنگام سرطان
نویسندگان
1 دکتری مهندسی پزشکی، پژوهشکده مهندسی برق و فناوری اطلاعات، سازمان پژوهش های علمی و صنعتی ایران، تهران
2 همکار طرح، گروه بیوالکتریک، پژوهشکده مهندسی برق و فناوری اطلاعات، سازمان پژوهش های علمی و صنعتی ایران، تهران
3 استادیار، گروه بیوالکتریک، پژوهشکده مهندسی برق و فناوری اطلاعات، سازمان پژوهش های علمی و صنعتی ایران، تهران
doi
10.22041/ijbme.2016.15856چکیده
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.
