تشخیص هوشمند سرطان سینه در تصاویر ترموگرافی با استفاده از ماشین یادگیری بیشینه و پردازش تصویر
محورهای موضوعی : سیگنال ها و سیستم های هوشمند
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
کلید واژه:
چکیده مقاله :
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 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 بهدست آمده است.
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.