دوره 22، شماره 1 - ( دو ماهنامه فروردین و اردیبهشت 1398 )
جلد 22 شماره 1 صفحات 114-108 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Zamani A, Babaei A, Mostafavi N S. Designing A Two-Stage Classification Network Algorithm for Acute Lymphocytic Leukemia Diagnosis in Blood Lamella Images. J Arak Uni Med Sci 2019; 22 (1) :108-114
URL: http://jams.arakmu.ac.ir/article-1-5777-fa.html
URL: http://jams.arakmu.ac.ir/article-1-5777-fa.html
زمانی آرمان، بابایی ابوالقاسم، مصطفوی نیر سادات. طراحی الگوریتم شبکه دسته‌بندی دو مرحله‌ای جهت تشخیص سرطان خون نوع لوسمی لنفوسیتی حاد (ALL) در تصاویر لام خون. مجله دانشگاه علوم پزشكي اراك. 1398; 22 (1) :108-114
1- گروه تجهیزات پزشکی، بیمارستان آیت الله خوانساری، اراک، اراک، ایران.
2- دانشگاه فنی و مهندسی خمین، خمین، ایران. ،babaei6214@gmail.com
3- گروه پرتودرمانی، بیمارستان آیت الله خوانساری اراک، اراک، ایران.
2- دانشگاه فنی و مهندسی خمین، خمین، ایران. ،
3- گروه پرتودرمانی، بیمارستان آیت الله خوانساری اراک، اراک، ایران.
چکیده: (2796 مشاهده)
زمینه و هدف: تشخیص سرطان خون کار بسیار دشواری است، به همین دلیل نیاز به استفاده از تکنیک‌‌های پردازش تصویر می‌باشد. هدف اصلی این تحقیق، ارائه سیستمی بر پایه مدل‌‌های هوشمند بود که بتواند دقت سیستم تشخیصی را در زمینه سرطان خون نوع لوسمی حاد ارتقا بخشد.
مواد و روش‌ها: تصاویر تهیه شده در این پژوهش از پایگاه داده University Degli Studi Dimilan استخراج و در فضای نرم‌افزار MATlab 2014a پردازش شد. در این تحقیق از روش Fuzzy-Cmeans در بخش قطعه بندی و از تکنیک‌‌های مبتنی بر شبکههای عصبی و ماشین بردار پشتیبان در بخش شبکههای دسته‌بندی‌کننده استفاده شد.
ملاحظات اخلاقی: در این مطالعه، تمامی اصول اخلاق در پژوهش رعایت شده است.
یافته‌ها: با استفاده از انتقال تصویر اولیه به چهار فضای RGB، HSV،Lab و Enhanced RGB دادههای مربوط به ویژگی‌‌‌ها استخراج شد. دادههای به‌دست آمده از مرحله قبل وارد شبکهSVM شد و سپس شبکه دادههای نرمال را از دادههای غیرنرمال جداسازی کرد. نتایج حاصل از مقایسه خروجی روش پیشنهادی با روش‌‌های آموزشی مختلف، بیشترین میانگین دقت برابر با مقدار 7/95 درصد را نشان داد.
نتیجه‌گیری: شبکه پیشنهادی به طور مناسب از مزایای هریک از شبکه‌‌‌ها به‌طور جداگانه، بهره‌برداری نمود و موجب گردید که نقاط ضعف هریک از الگوریتم‌‌‌ها توسط دیگری برطرف گردد. این ترکیب شبکه‌‌‌ها سبب ارتقای دقت خروجی تا 98 درصد شد و از طرف دیگر زمان محاسبات انجام شده را به شدت کاهش داد.
مواد و روش‌ها: تصاویر تهیه شده در این پژوهش از پایگاه داده University Degli Studi Dimilan استخراج و در فضای نرم‌افزار MATlab 2014a پردازش شد. در این تحقیق از روش Fuzzy-Cmeans در بخش قطعه بندی و از تکنیک‌‌های مبتنی بر شبکههای عصبی و ماشین بردار پشتیبان در بخش شبکههای دسته‌بندی‌کننده استفاده شد.
ملاحظات اخلاقی: در این مطالعه، تمامی اصول اخلاق در پژوهش رعایت شده است.
یافته‌ها: با استفاده از انتقال تصویر اولیه به چهار فضای RGB، HSV،Lab و Enhanced RGB دادههای مربوط به ویژگی‌‌‌ها استخراج شد. دادههای به‌دست آمده از مرحله قبل وارد شبکهSVM شد و سپس شبکه دادههای نرمال را از دادههای غیرنرمال جداسازی کرد. نتایج حاصل از مقایسه خروجی روش پیشنهادی با روش‌‌های آموزشی مختلف، بیشترین میانگین دقت برابر با مقدار 7/95 درصد را نشان داد.
نتیجه‌گیری: شبکه پیشنهادی به طور مناسب از مزایای هریک از شبکه‌‌‌ها به‌طور جداگانه، بهره‌برداری نمود و موجب گردید که نقاط ضعف هریک از الگوریتم‌‌‌ها توسط دیگری برطرف گردد. این ترکیب شبکه‌‌‌ها سبب ارتقای دقت خروجی تا 98 درصد شد و از طرف دیگر زمان محاسبات انجام شده را به شدت کاهش داد.
فهرست منابع
1. Crespo M, Bosch F, Villamor N, Bellosillo B, Colomer D, Rozman M, et al. ZAP-70 expression as a surrogate for immunoglobulin-variable-region mutations in chronic lymphocytic leukemia. New England Journal of Medicine. 2003; 348(18):1764-75.
2. Alshamlan HM, Badr GH, Alohali YA. Genetic Bee Colony (GBC) algorithm: A new gene selection method for microarray cancer classification. Computational biology and chemistry. 2015; 56:49-60.
3. Binet J, Auquier A, Dighiero G, Chastang C, Piguet H, Goasguen J, et al. A new prognostic classification of chronic lymphocytic leukemia derived from a multivariate survival analysis. Cancer. 1981; 48(1):198-206.
4. Inaba H, Greaves M, Mullighan CG. Acute lymphoblastic leukaemia. The Lancet. 2013; 381(9881):1943-55.
5. Díaz-Uriarte R, De Andres SA. Gene selection and classification of microarray data using random forest. BMC bioinformatics. 2006; 7(1):3.
6. Suykens JA, Vandewalle J. Least squares support vector machine classifiers. Neural processing letters. 1999; 9(3):293-300.
7. Gokgoz E, Subasi A. Comparison of decision tree algorithms for EMG signal classification using DWT. Biomedical Signal Processing and Control. 2015; 18:138-44.
8. Mohapatra S, Patra D, Satpathy S. An ensemble classifier system for early diagnosis of acute lymphoblastic leukemia in blood microscopic images. Neural Computing and Applications. 2014; 24(7-8):1887-904.
9. Tripathy B, Mittal D. Hadoop based uncertain possibilistic kernelized c-means algorithms for image segmentation and a comparative analysis. Applied Soft Computing. 2016; 46:886-923.
10. Sadoughi F, Ghaderzadeh M, Fein R, Standring A. Comparison of Back propagation neural network and Back propagation neural network Based Particle Swarm intelligence in Diagnostic Breast Cancer. Applied Medical Informatics. 2014; 34(1):22.
11. Motamedi-Fakhr S, Moshrefi-Torbati M, Hill M, Hill CM, White PR. Signal processing techniques applied to human sleep EEG signals—A review. Biomedical Signal Processing and Control. 2014, 10:21-33.
12. Mohapatra S, Patra D, editors. Automated cell nucleus segmentation and acute leukemia detection in blood microscopic images. Systems in Medicine and Biology (ICSMB), 2010 International Conference on; 2010: IEEE.
13. Mohapatra S, Samanta SS, Patra D, Satpathi S, editors. Fuzzy based blood image segmentation for automated leukemia detection. Devices and Communications (ICDeCom), 2011 International Conference on; 2011: IEEE.
14. Ongun G, Halici U, Leblebicioglu K, Atalay V, Beksaç M, Beksaç S, editors. Feature extraction and classification of blood cells for an automated differential blood count system. Neural Networks, 2001 Proceedings IJCNN'01 International Joint Conference on; 2001: IEEE.
15. Agaian S, Madhukar M, Chronopoulos AT. Automated screening system for acute myelogenous leukemia detection in blood microscopic images. IEEE Systems journal. 2014; 8(3):995-1004.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
