یک روش جدید بر روی تجزیه بافت برای طبقه بندی تشخیص خودکار میکروکلسیفیکیشن سینه تصاویر ماموگرافی
الموضوعات :
زهرا مقصودزاده سروستانی
1
,
جاسم جمالی
2
,
مهدی تقی زاده
3
,
محمد حسین فاتحی
4
1 - گروه برق ، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران
2 - گروه برق ، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران
3 - گروه مهندسی برق و کامپیوتر، واحد کازرون، دانشگاه آزاد اسلامی، کازرون، ایران
4 - هیات علمی دانشگاه آزاد اسلامی واحد کازرون
الکلمات المفتاحية: تجزیه بافت, منطق فازی, فیلترینگ گابور, شبکه عصبی مصنوعی (ANN) , طبقه بندی درخت تصمیم,
ملخص المقالة :
برنامه های غربالگری از ماموگرافی به عنوان ابزار تشخیصی اولیه برای شناسایی زودهنگام سرطان پستان استفاده می کنند. هدف از انجام اين کار، امكان سنجي جداسازي اتوماتيك تصاوير میکروکلسیفیکیشن هاي بافت پستان و همچنين ارزيابي دقت آن با استفاده از به كارگيري دو تكنيك بهبود تصویر و برجسته سازی میکروکلسیفیکیشن هاي بافت سینه برای نواحی مورد نظر ROI به کمک سیستم فازی بر اساس کانتراست منطقه و روش فیلترینگ گابور اشاره شده است. بعد از تعیین خوشه های میکروکلسیفیکیشن هاي بافت پستان، طبقه بندی خوشه ها با کمک الگوریتم طبقه بندی درخت تصمیم انجام مي شود. در ادامه برای بخش بندی نمونه های مشکوک به میکروکلسیفیکیشن برجسته و ماسک گذاری می شود و در مرحله آخر ویژگیهای بافت استخراج شده است و با کمک شبکه عصبی مصنوعی (ANN) برای تعیین نوع خوشخیم و بدخیم خوشه های بخش بندی شده ROI، استفاده می شود. نتایجی این کار انجام شده نشان دهنده دقت بالای 93% و بهبود حساسیت بالای 95% می باشد، که نشان می دهد راهکار ارائه شده می تواند با اطمینان برای تشخیص سرطان پستان اعمال شود.
[1] American Cancer Society. QuickFacts (TM) Breast Cancer: What You Need To KnowNOW. Atlanta, American Cancer Society press. 2011.
[2] Panahi GH, Shabahang H, Sahebghalam H. Breast cancer risk assessment in Iranian women by Gail model. Medical Journal of the Islamic Republic of Iran (MJIRI) 2008; 22(1): 37-39.
[3] Caldarone, A., Piccotti, F., Morasso, C., Truffi, M., Sottotetti, F., Guerra, C., & Corsi, F. (2021). Raman analysis of microcalcifications in male breast
cancer. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 263, 120185. [4] Schulz-Wendtland R, Fuchsjäger M, Wacker T, Hermann K-P. Digital mammography: an update.Eur J Radiol, 2009; 72(2): 258-265.
[5] Wallis MG, Walsh MT, Lee JR. A review of false negative mammography in a symptomatic population. Clin Radiol. 1991; 44(1):13-5. [DOI:10.1016/S0009-9260(05)80218-1]
[6] Behnam H, Zakeri F, Gifani P, Torkashvand P, Shalbaf A, [Ultrasound Imaging Processing (Persian)]. Tehran: Ishraqiya Publishing; 2011.
[7] Jalalian A, Mashohor SB, Mahmud HR, Saripan MIB, Ramli ARB, Karasfi B. Computer-aided detection/diagnosis of breast cancer in mammography and ultrasound: a review. Clin Imaging. 2013; 37(3):420–6.
[8] Shiraishi J, Li Q, Appelbaum D, Doi K. Computer-aided diagnosis and artificial intelligence in clinical imaging. In: Seminars in Nuclear Medicine. Elsevier; 2011. p. 449–62. https://doi.org/10.1053/j.semnuclmed.2011.06.004.
[9] Guzmán-Cabrera R, Guzmán-Sepúlveda J, Torres-Cisneros M, May-Arrioja D, Ruiz-Pinales J, Ibarra-Manzano O, Aviña-Cervantes G, Parada AG. Digital image processing technique for breast cancer detection. Int J Thermophys. 2013; 34(8-9):1519–31.
[10] Andreadis II, Spyrou GM, and Nikita KS: A CAD scheme for mammography empowered with topological information from clustered
microcalcifications atlases. IEEE J Biomed Health Inform 19(1): 166–173, 2015.
