تشخیص هوشمند سرطان سینه در تصاویر ترموگرافی با استفاده از ماشین یادگیری بیشینه و پردازش تصویر

الموضوعات :

حمیدرضا خداداد ¹ , همایون مهدوی نسب ²

1 - دانشکده مهندسی برق- واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران
2 - مرکز تحقیقات پردازش دیجیتال و بینایی ماشین- واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران

تاريخ الإرسال : 23 الأربعاء , ربيع الأول, 1444 تاريخ التأكيد : 23 الثلاثاء , رجب, 1444 تاريخ الإصدار : 12 الأربعاء , صفر, 1447

الکلمات المفتاحية: استخراج ویژگی, ترموگرافی پستان, تقسیم‏بندی خودکار, شبکه‌های عصبی, الگوی دودویی محلی, ماشین یادگیری بیشینه. ,

ملخص المقالة :

از آنجا که سرطان پستان به‏عنوان یکی از دلایل اصلی مرگ و میر زنان در سراسر جهان شناخته شده، طبیعی است که ارائه و توسعه روش‌هایی برای تشخیص زود هنگام آن، به‏ویژه بدون استفاده از ابزارهای تصویربرداری تهاجمی و نیز با سرعت پاسخ مناسب، از ارزش بالایی برخوردار باشد. تصویربرداری ترموگرافی، در صورتی که با روشی سریع و قابل اعتماد برای طبقه‌بندی نتایج تصویربرداری همراه گردد می‌تواند گزینه‌ای مناسب در جهت تحقق این هدف باشد. در این پژوهش با استفاده از ترموگرافی پستان و بهره‌گیری از نوعی از شبکه‌های عصبی متأخر به نام ماشین یادگیری بیشینه به‏عنوان یک طبقه‌بند هوشمند و کارآمد به مسئله تشخیص سرطان پستان اشاره شده است. همچنین، یک توسعه این طبقه‌بند تحت عنوان ماشین یادگیری بیشینه چندلایه مبتنی بر هسته را نیز مورد بررسی قرار گرفته است. در روش پیشنهادی، ابتدا با استفاده از یک روش تقسیم‏بندی خودکار تصاویر پایگاه‏ داده به پستان‏های چپ و راست قطعه‌بندی و تفکیک شده و سپس با استخراج ویژگی‏های بافت محلی، رنگ و شکل و ارائه این ویژگی‏ها به‏صورت مجزا و یا ترکیبی به شبکه، عملکرد و کارایی سیستم مورد مطالعه قرار گرفته است. با آزمایش مدل‏های استخراج ویژگی بافت محلی گوناگون، مانند الگوی دودویی محلی (LBP) و الگوی سه‏تایی محلی (LTP) و نیز ویژگی‌های رنگ RGB و YC_bC_r، برترین نتیجه این تحقیق از تصاویر ترموگرافی پستان در پایگاه داده برای تحقیقات ماما با تصویر مادون قرمز (DMR-IR) برای یک ویژگی ترکیبی جدید پیشنهادی LBP-Mix و ویژگی بافت LTP حاصل از استخراج بافت محلی در شعاع‌های مختلف، با صحت بیش از 96 درصد و دقت 100 درصد به‏دست آمده است.

المصادر:

[1] M. Plummer, C. Martel, J. Vignat, J. Ferlay, F. Bray, S. Franceschi, "Global burden of cancers attributable to infections in 2012: a synthetic analysis", Lancet Glob Health, vol. 4, no. 9, pp. 609-616, Sept. 2016 (doi: 10.1016/S2214-109X(16)30143-7).
[2] Y.X. Lim, Z.L. Lim, P.J. Ho, J. Li, "Breast cancer in asia: Incidence, mortality, early detection, mammography programs, and risk-based screening initiatives", Cancers, vol. 14, no. 4218, pp. 1-21, Aug. 2022 (doi: 10.3390/cancers14174218).
[3] S. Chakraborty and T. Rahman, "The difficulties in cancer treatment", Ecancermedicalscience, vol. 6, Nov. 2012 (doi: 10.3332/ecancer.2012.ed16).
[4] R.C. Travis, A. Balkwill, G.K. Fensom, P.N. Appleby, G.K. Reeves, X. Wang, A.W. Roddam, T. Gathani, R. Peto, J. Green, T.J. Key, V. Beral, "Night shift work and breast cancer incidence: three prospective studies and meta-analysis of published studies", Journal of the National Cancer Institute, vol. 108, no. 12, pp. 1-12, Dec. 2016 (doi: 10.1093/jnci/djw169).
[5] M.A. Aldhaeebi, K. Alzoubi, T.S. Almoneef, S.M. Bamatraf, H. Attia, O.M. Ramahi, "Review of microwaves techniques for breast cancer detection", Sensors, vol. 20, no. 2390, pp. 1-38, April 2020 (doi: 10.3390/s20082390).
[6] S.V. Sree, E.Y. Ng, R.U. Acharya, O. Faust, "Breast imaging: A survey", World Journal of Clinical Oncology, vol. 2, no. 4, pp. 171-178, April 2011 (doi: 10.5306/wjco.v2.i4.171).
[7] D. Singh, A.K. Singh, S. Tiwari, "Breast thermography as an adjunct tool to monitor the chemotherapy response in a triple negative BIRADS V cancer patient: A case study", IEEE Trans. on Medical Imaging, vol. 41, no. 3, pp. 737-745, Mar. 2022 (doi: 10.1109/TMI.2021.3122565).
[8] M. Madani, M.M. Behzadi, S. Nabavi, "The role of deep learning in advancing breast cancer detection using different imaging modalities: A systematic review", Cancers, vol. 14, no. 21, Article Number: 5334, Oct. 2022 (doi: 10.3390/cancers14215334).
[9] C. M. Wong, C. M. Vong, P. K. Wong, J. Cao, "Kernel-based multilayer extreme learning machines for representation learning", IEEE Trans. on Neural Networks and Learning Systems, vol. 29, no. 3, pp. 757-762, Mar. 2018 (doi: 10.1109/TNNLS.2016.2636834).
[10] T. Ojala, M. Pietikainen, D. Harwood, "A comparative study of texture measures with classification based on feature distributions", Pattern Recognition, vol. 29, no. 1, pp. 51-59, Jan. 1996 (doi: 10.1016/0031-3203(95)00067-4).
[11] T. Ojala, M. Pietikainen, T. Maenpaa, "Multiresolution gray scale and rotation invariant texture classification with local binary patterns", IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 24, no. 7, pp. 971-987, July 2002 (doi: 10.1109/TPAMI.2002.1017623).
[12] X. Tan, B. Triggs, "Enhanced local texture feature sets for face recognition under difficult lighting condi¬tio¬n¬s", IEEE Trans. on Image Processing, vol. 19, no. 6, pp. 1635-1650, June 2010 (doi: 10.1109/T¬IP.20¬10.2042645).
[13] F.Z. Chelali, N. Cherabit, A. Djeradi, "Face recognition system using skin detection in RGB and YCbCr color space", Proceeding of the WSWAN, pp. 21-23, Mar. 2015 (doi: 10.1109/WSWAN.2015.7210329).
[14] G.B. Huang, H.A. Babri, "Upper bounds on the number of hidden neurons in feedforward networks with arbitrary bounded nonlinear activation functions", IEEE Trans. on Neural Networks, vol. 9, no. 1, pp. 224-229, Jan. 1998 (doi: 10.1109/72.655045).
[15] G.B. Huang, Q.Y. Zhu, C.K. Siew, "Real-time learning capability of neural networks", IEEE Trans. on Neural Networks, vol. 17, no. 4, pp. 863-878, Aug. 2006 (doi: 10.1109/TNN.2006.875974).
[16] G.B. Huang, Q.Y. Zhu, C.K. Siew, "Extreme learning machine: Theory and applications", Neurocomputing, vol. 70, pp. 489-501, Dec. 2006 (doi: 10.1016/j.neucom.2005.12.126).
[17] D. Serre, Matrices: Theory and Applications, Springer, New York, 2002 (doi: 10.1007/b98899).
[18] C. R. Rao, S. K. Mitra, Generalized Inverse of Matrices and its Applications, Wiley, 1971 (doi: 10.2307/2344631).
[19] J. Zhang, Y. Li, W. Xiao, Z. Zhang, "Non-iterative and fast deep learning: Multilayer extreme learning machines", Journal of Franklin Institute, vol. 357, no. 13, pp. 8925-8955, Sept. 2020 (doi: 10.1016/j.jfranklin.2020.04.033).
[20] G. B. Huang, H. Zhou, X. Ding, R. Zhang, "Extreme learning machine for regression and multiclass classification", IEEE Trans. on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 42, no. 2, pp. 513-529, April 2012 (doi: 10.1109/TSMCB.2011.2168604).
[21] L. F. Silva, D. C. M. Saade, G. O. Sequeiros, A. C. Silva, A. C. Paiva, R. S. Bravo, A. Conci, "A new database for breast research with infrared image", Journal of Medical Imaging and Health Informatics, vol. 4, no. 1, pp. 92-100, 2014 (doi: 10.1166/jmihi.2014.1226).
[22] H. Yektaei, M. Manthour, "A review of neural network detection methods for breast cancer", Tehran University Medical Journal, vol. 78, no. 6, pp. 344-350, Sept. 2020.
[23] G. Mardanian, N. Behzadfar, "A new method for detection of breast cancer in mammography images using a firefly algorithm", Journal of Intelligent Procedures in Electrical Technology, vol. 10, no. 40, pp. 23-32, Jan. 2020.
[24] A. Lashkari, F. Pak, M. Firouzmand, "Full intelligent cancer classification of thermal breast images to assist physician in clinical diagnostic applications", Journal of Medical Signals and Sensors, vol. 6, no. 1, pp. 12-24, Jan./Mar. 2016.
[25] S. Ekici, H. Jawzal, "Breast cancer diagnosis using thermography and convolutional neural networks", Medical Hypotheses, vol. 137, Article Number: 109542, April 2020 (doi: 10.1016/j.mehy.2019.109542).
[26] R. Resmini, L. Faria, S. Petrucio, R. T. M. Adriel, S. A. Débora, C. Muchaluat-Saadec, A. Conci, "A hybrid methodology for breast screening and cancer diagnosis using thermography", Computers in Biology and Medicine, vol. 135, Aug. 2021 (doi: 10.1016/j.compbiomed.2021.104553).
[27] S. Periyasamy, A. Prakasarao, M. Menaka, B. Venkatraman, M. Jayashree, "Support vector machine based methodology for classification of thermal images pertaining to breast cancer", Journal of Thermal Biology, vol. 110, Dec. 2022 (doi: 10.1016/j.jtherbio.2022.103337).