Mendeley  

Zotero  

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

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.