جلد 27، شماره 4 - ( 4-1399 )
جلد 27 شماره 4 صفحات 73-60 |
برگشت به فهرست نسخه ها
Research code: 000000000
Ethics code: 00000000
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
alizadeh N, Pourasad Y. Detection and classification of breast masses using mammographically image processing. RJMS 2020; 27 (4) :60-73
URL: http://rjms.iums.ac.ir/article-1-6113-fa.html
URL: http://rjms.iums.ac.ir/article-1-6113-fa.html
علیزاده نوروزبولاغی نورالله، پوراسد یعقوب. تشخیص توده مربوط به پستان از روی پردازش تصاویر ماموگرافی. مجله علوم پزشکی رازی. 1399; 27 (4) :60-73
دانشگاه صنعتی ارومیه، ارومیه ایران ، y.pourasad@uut.ac.ir
چکیده: (4379 مشاهده)
زمینه و هدف: سرطان پستان مهم‌ترین و رایج‌ترین بیماری در بین زنان است که دومین میزان مرگ‌و‌میر را بعد از سرطان ریه به خود اختصاص داده‌است. ماموگرافی دیجیتال تصویر گرفته شده با استفاده از اشعه x برای تجزیه و تحلیل، تفسیر و تشخیص می‌باشد. تشخیص خودکار سرطان پستان در تصاویر ماموگرافی یک وظیفه چالش برانگیز در بین سیستم‌های تشخیص به کمک کامپیوتر(CAD) می‌باشد.
روش کار: در این مقاله یک راهکار برای تشخیص اتوماتیک سرطان پستان ارائه شده است. راهکار ارائه شده شامل ۳ مرحله اصلی استخراج ناحیه پستان، حذف عضله پکتورال و طبقه‌بندی ویژگی‌های استخراج شده به دو دسته سرطانی و غیر‌سرطانی می‌باشد.
یافته ها: برای قطعه‌بندی از روش آستانه‌گذاری اتسو و سپس حذف عضله پکتورال با استفاده از انتخاب پیکسل دانه و الگوریتم رشد ناحیه میسر شده‌است. در مرحله بعدی ماتریس هم‌وقوعی خاکستری تصویر(GLCM)که توصیف‌کننده بافت تصویر است ایجاد شده و ۱۶ ویژگی از آن استخراج می‌شود. در نهایت طبقه‌بندی های مختلفی برای تفکیک ناحیه پستان به بافت‌های نرمال و سرطانی، آموزش داده می‌شوند. در نتایج به‌دست آمده نرخ تشخیص صحیح ۱۰۰ درصد برای شبکه عصبی و۳/۹۶ درصد برای طبقه‌بندهای درخت تصمیم گیری(C5.0,CHAID) بدست‌آمده است.
نتیجه‌گیری: اعتبار سنجی راهکار ارائه شده در این مقاله با استفاده از داده های پایگاه mini-MIAS انجام شده‌است و نتایج با کار‌های قبلی انجام شده مقایسه شده‌است که نشان می‌‌دهد راهکار ارائه شده می‌تواند با اطمینان برای تشخیص سرطان پستان اعمال شود.
روش کار: در این مقاله یک راهکار برای تشخیص اتوماتیک سرطان پستان ارائه شده است. راهکار ارائه شده شامل ۳ مرحله اصلی استخراج ناحیه پستان، حذف عضله پکتورال و طبقه‌بندی ویژگی‌های استخراج شده به دو دسته سرطانی و غیر‌سرطانی می‌باشد.
یافته ها: برای قطعه‌بندی از روش آستانه‌گذاری اتسو و سپس حذف عضله پکتورال با استفاده از انتخاب پیکسل دانه و الگوریتم رشد ناحیه میسر شده‌است. در مرحله بعدی ماتریس هم‌وقوعی خاکستری تصویر(GLCM)که توصیف‌کننده بافت تصویر است ایجاد شده و ۱۶ ویژگی از آن استخراج می‌شود. در نهایت طبقه‌بندی های مختلفی برای تفکیک ناحیه پستان به بافت‌های نرمال و سرطانی، آموزش داده می‌شوند. در نتایج به‌دست آمده نرخ تشخیص صحیح ۱۰۰ درصد برای شبکه عصبی و۳/۹۶ درصد برای طبقه‌بندهای درخت تصمیم گیری(C5.0,CHAID) بدست‌آمده است.
نتیجه‌گیری: اعتبار سنجی راهکار ارائه شده در این مقاله با استفاده از داده های پایگاه mini-MIAS انجام شده‌است و نتایج با کار‌های قبلی انجام شده مقایسه شده‌است که نشان می‌‌دهد راهکار ارائه شده می‌تواند با اطمینان برای تشخیص سرطان پستان اعمال شود.
نوع مطالعه: پژوهشي |
موضوع مقاله:
بیماریهای داخلی
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
