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

حمیدرضا خداداد ¹ ( دانشکده مهندسی برق- واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران )
همایون مهدوی نسب ² ( مرکز تحقیقات پردازش دیجیتال و بینایی ماشین- واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران )

تاریخ ارسال : 1401/07/27 تاریخ تایید : 1401/11/26

کلید واژه: شبکه‌های عصبی, استخراج ویژگی, ترموگرافی پستان, تقسیم‏بندی خودکار, الگوی دودویی محلی, ماشین یادگیری بیشینه,

چکیده مقاله :

از آنجا که سرطان پستان به عنوان 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، به ویژه 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 به عنوان 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 تقسیم بندی خودکار تصاویر پایگاه داده به پستان های چپ و راست قطعه‌بندی و تفکیک شده و سپس با استخراج ویژگی های بافت محلی، رنگ و شکل و ارائه این ویژگی ها به صورت مجزا و یا ترکیبی به شبکه، عملکرد و کارایی سیستم مورد مطالعه قرار گرفته است. با آزمایش مدل های استخراج ویژگی بافت محلی گوناگون، مانند الگوی دودویی محلی (LBP) و الگوی سه تایی محلی (LTP) و نیز ویژگی‌های رنگ RGB و YCbCr، 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 به دست آمده است.

چکیده انگلیسی :

Since breast cancer is known as one of the main mortality reasons of women around the world, it would be most important to provide and develop early recognition methods for timely diagnosis, especially without using invasive imaging techniques and with fast response. Thermography with the contactless property and low cost, combined with a fast and reliable method to classify imaging results can be an ideal option to achieve this goal. This research aims at using breast thermography and a recent neural network method called extreme learning machine (ELM) as an intelligent and efficient classifier to recognize the cancer. We have also studied the development of this classifier as the kernel-based multilayer ELM. In the proposed method, at first, breast images are segmented using an automated segmentation to generate the region of interest (ROI) of the left and right breasts. Then, by extracting texture, color, and shape features, and presenting them separately or in combination with the neural network, the performance and efficiency of the method are evaluated. By experimenting with various models of local texture extraction, such as local binary pattern (LBP) and local ternary pattern (LTP), as well as using RGB and YCbCr color templates, the best results of this research in the database for mamma research with infrared image (DMR-IR) database belonged to the proposed combined LBP-Mix and the LTP texture features achieving more than 96% accuracy and 100% precision. 

منابع و مأخذ:

[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, pp. 5334, 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 conditions", IEEE Trans. on Image Processing, vol. 19, no. 6, pp. 1635-1650, June 2010 (doi: 10.1109/TIP.2010.2042645).

[13] F. Z. Chelali, N. Cherabit, A. Djeradi, "Face recognition system using skin detection in RGB and YCbCr color space", in Proc. 2015 2nd World Symposium on Web Applications and Networking, 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, 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, Mar. 2016.

[25] S. Ekici, H. Jawzal, "Breast cancer diagnosis using thermography and convolutional neural networks", Medical Hypotheses, vol. 137, 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).