پیام خود را بنویسید
دوره 23، شماره 2 - ( خرداد و تیر 1399 )                   جلد 23 شماره 2 صفحات 246-263 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Safdarian N, Yousefian Dezfoulinejad S. Mammographic Image Processing for Classification of Breast Cancer Masses by Using Support Vector Machine Method and Grasshopper Optimization Algorithm. J Arak Uni Med Sci. 2020; 23 (2) :246-263
URL: http://jams.arakmu.ac.ir/article-1-6190-fa.html
صفدریان ناصر، یوسفیان دزفولی نژاد شادی. پردازش تصاویر ماموگرافی به منظور طبقه ‌بندی توده ‌های سرطان سینه با استفاده از روش ماشین بردار پشتیبان با بکارگیری الگوریتم بهینه ‌‌سازی ملخ. مجله دانشگاه علوم پزشكي اراك. 1399; 23 (2) :246-263

URL: http://jams.arakmu.ac.ir/article-1-6190-fa.html


1- اشگاه پژوهشگران جوان و نخبگان، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران. ، naser.Safdarian@yahoo.com
2- گروه مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد دزفول ، دزفول، ایران.
چکیده:   (383 مشاهده)
زمینه و هدف: سرطان سینه  به دلیل رشد غیرقابل کنترل سلول های غیرطبیعی در سینه ایجاد می شود. در هر دو نوع تومورهای سرطانی خوشخیم و بدخیم، رشد سریع و زیاد سلول ها وجود دارد. امروزه، ﺑﺎ ﺗﻮﺟﻪ به ﮔﺴﺘﺮش ﺗﮑﻨﻮﻟﻮژی، ﺗﺸﺨﯿﺺ ﺑﯿﻤﺎریﻫﺎ از ﺣﺎﻟﺖ تهاﺟمی ﺧﺎرج ﺷﺪه و تلاش ﭘﺰﺷﮑﺎن و ﻣﺘﺨﺼﺼﺎن ﺑﺮ ایﻦ اﺳﺖ ﮐﻪ ﺗﺸﺨﯿﺺ بیماری را ﺑﺪون ﺟﺮاﺣﯽ و از روی ﺗﺼﺎویﺮ ارﮔﺎنﻫﺎی داﺧﻠﯽ اﻧﺠﺎم دﻫﻨﺪ. 
مواد و روش ها: پژوهش حاضر مطالعه ‏ای بر اساس بررسی اطلاعات پایگاه داده‏ی تصاویر دیجیتال ماموگرافی ( (DDSM می‏ باشد، که روشی جدید برای تشخیص و آشکارسازی توده ‏های سرطانی تصاویر ماموگرافی با استفاده از استخراج ویژگی های هندسی و بهینه‏ سازی پارامترهای الگوریتم ماشین بردار پشتیبان (SVM)، به منظور طبقه بندی خودکار توده های سرطان سینه ارائه شده است. در ابتدا پیش ‏پردازش تصاویر ماموگرافی انجام می شد، سپس با استفاده از روش آستانه‏ گذاری، مرزهای توده ها مشخص شد و سپس با عملگرهای مورفولوژی این مرزها بهبود یافته و درنهایت قطعه بندی تصاویر برای طبقه ‏بندی نوع توده ‏های سرطانی بافت سینه انجام شد. در مرحله نهایی با استفاده از روش بهینه‏ سازی پارامترهای طبقه‏ بندی کننده‏ی SVM با کمک الگوریتم بهینه ‏سازی ملخ، و استفاده از روش اعتبارسنجی 4-fold طبقه بندی داده‌ها به دو دسته ‏ی خوشخیم و بدخیم انجام شد.
ملاحظات اخلاقی: در این پژوهش از تصاویر پایگاه داده‏ ی DDSM استفاده شده است. لازم به ذکر است که تصاویر موجود در این پایگاه داده بصورت رایگان جهت دسترسی وجود دارند.
یافته ها: بهترین نتایج شاخص ‏های صحت، حساسیت و اختصاصیت (ویژگی) به ازای به‌کارگیری تابع کرنل (RBF) پیش از انجام عملیات بهینه‏ سازی پارامترهای طبقه ‏بندی کننده ‏ی SVM به ترتیب برابر با 97%، 100% و %96 بدست آمد. همچنین، بهترین نتایج شاخص‏ های صحت، حساسیت و اختصاصیت به ازای به‌کارگیری تابع کرنل خطی، پس از انجام عملیات بهینه‏ سازی پارامترهای طبقه‏ بندی کننده ‏ی SVM با الگوریتم بهینه ‏سازی ملخ، به ترتیب برابر با %100، %100 و %100 بدست آمد که نشان ‏دهنده ی دقت بالای روش پیشنهاد شده در این مقاله است.. متوسط مقادیر شاخص ‏های صحت، حساسیت و اختصاصیت به ازای بکارگیری هر سه تابع کرنل SVM و پس از اعمال الگوریتم بهینه‏ سازی، به ترتیب برابر با 95/83، 100 و 94/81 درصد به دست آمد.
نتیجه گیری: بر اساس روش پیشنهاد شده در این مقاله، ویژگی های هندسی به‌دست آمده از بافت توده‏ های سرطانی سینه جهت آموزش مدل و تشخیص نوع توده سرطان سینه دارای کارایی بالایی است و روش  بهینه سازی ملخ  با انجام بهینه سازی پارامترهای طبقه ‏بندی کننده، دقت کلی تشخیص روش ارائه شده را بهبود بخشیده است. بنابراین نتایج حاصل از این پژوهش نشان ‏دهنده ‏ی عملکرد بالای روش پیشنهاد شده در مقاییسه با سایر پژوهش های پیشین انجام شده در این زمینه است.
متن کامل [PDF 9110 kb]   (286 دریافت) |   |   متن کامل (HTML)  (272 مشاهده)  
نوع مطالعه: پژوهشي اصیل | موضوع مقاله: زنان و مامایی
دریافت: 1398/8/22 | پذیرش: 1398/11/1

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به مجله دانشگاه علوم پزشکی اراک می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2020 All Rights Reserved | Journal of Arak University of Medical Sciences

Designed & Developed by : Yektaweb