مقدمه 

سرطان سینه نوعی سرطان است که به دلیل رشد غیرقابل کنترل سلولهای غیرطبیعی سبب ایجاد توده در بافت پستان میشود. طبق گزارش سازمان بهداشت جهانی (WHO) هر ساله این سرطان 2.1 میلیون زن را تحت تأثیر قرار میدهد، همچنین بیشترین مرگومیر ناشی از سرطان را در میان زنان ایجاد می‏کند [1]. بر اساس تحقیقات انجام شده در سال 2018 تعداد 627000 زن به علت سرطان سینه جان خود را از دست داده‏اند [1]. درواقع، این سرطان تقریباً %15 از کل مرگ‏ومیرهای ناشی از انواع سرطان را در میان زنان تشکیل می‌دهد. این بیماری در ایران نیز شایع‏ترین سرطان و سومین علل مرگومیر در میان زنان است [2]. لذا درصورتی که بتوان توسط روشی، این بیماری را تشخیص داد می‏توان شاهد کاهش مرگ‏ومیر انسان‏ها بود. روش تصویربرداری ماموگرافی توسط اشعه x یکی از رایجترین روشهای مورد استفاده رادیولوژیست‏ها برای تشخیص و غربالگری سرطان سینه و تعیین وجود توده‏های سرطانی و کیست‏ها  است.  با این حال تفسیر تصاویر ماموگرافی دشوار است و طبق آمار مرکز ملی سرطان در آمریکا، 10 تا 30 درصد توده های موجود در سینه توسط رادیولوژیست قابل مشاهده نیستند [3-4]. تودهها و ذرات ریز آهکی که ذرات بسیار کوچک کلسیم هستند، از نشانه‏ها و علائم سرطان در تصاویر ماموگرافی هستند و تشخیص درست این علائم بسیار سخت و دشوار است. بطور کلی توده‏ها به دو دسته‏ی خوش‏خیم و بدخیم طبقه‏بندی می‏شوند، که هر کدام از لحاظ شکل ظاهری در تصویر دارای ویژگیهای خاصی هستند. تودههای خوشخیم بیضوی شکل، دارای لبههای مشخص و بدون زاویه هستند؛ در حالی که تودههای بدخیم دارای شکل غیریکنواخت و غیرمنظم، لبه های نامشخص، زاویه‏دار و غالباً شبیه چکمه یا لوبورال هستند [5]. 

در تصاویر ماموگرافی، ذرات بسیار ریز آهکی معمولاً بصورت ذرات نویزی مشاهده شده و توده‏ها دارای شدت روشنایی بسیار کمی هستند، که تشخیص آنها را توسط رادیولوژیست‏ها و پزشکان دشوار می‏کند. با توجه به اینکه تشخیص دقیق و بهموقع توده سرطانی و انواع مختلف آن از اهمیت ویژه‏ای در سلامتی افراد جامعه برخوردار است، لذا باید بهنحوی دشواری تشخیص توده‏های سرطان سینه که به‌طور عمده با خطاهای انسانی در دقت تشخیص نیز همراه است توسط محققین مورد توجه قرار گیرد. به همین دلیل ارائه و گسترش یک روش خودکار به کمک روشهای پردازش تصویر و الگوریتم‏های تشخیص و همچنین بهینه‌سازی و ارتقای سیستم‌های تشخیصی موجود برای کاهش خطای انسانی و کمک به تشخیص زود هنگام و بهبود روند درمان این بیماری حائز اهمیت است. در این مقاله کوشیده ایم با معرفی روشی خودکار و جدید، در تشخیص و استخراج توده‏های سرطان سینه با دقت بالا دست پیدا کنیم. برای این منظور، پس از پیش‏پردازش و تشخیص مرزهای توده‏های سرطانی از تصاویر ماموگرافی، تعدادی ویژگی از توده‏های تشخیص داده شده استخراج شده و در نهایت ماتریس ویژگی‏ها به ورودی طبقه‏بندی‌کننده‏ی SVM اعمال شده است. در این مقاله با به‌کارگیری این روش، تشخیص و طبقه‏بندی توده‏های سرطان سینه با سرعت و دقت بالا انجام شده است.

مروری بر پژوهش‏های پیشین

در سال‏های گذشته تحقیقات گستردهای برای کاهش خطا در شناسایی و تشخیص توده‌های سرطان پستان و افزایش سرعت و دقت برای کمک به رادیولوژیست‌ها انجام گرفته است. بطور کلی، تحقیقات انجام شده در این حوزه؛ شامل بخش‏های انتخاب پایگاه داده‏ی مناسب که شامل تصاویر دیجیتال ماموگرافی (تصاویر بافت سالم، و بافت دارای توده‏های خوش‏خیم و بدخیم)، پیش‏پردازش تصویر، شناسایی و استخراج بخش‏هایی از بافت پستان که دارای توده‏های سرطانی است، گسترش ناحیه‏ی مشکوک به توده تا مرزهای توده‏ی آشکارسازی شده (و یا بالعکس؛ یعنی ابتدا آشکارسازی مرزهای توده و سپس تشخیص نهایی پیکسل‏های تصویر که حاوی توده سرطانی در بافت مورد نظر هستند)، استخراج ویژگی‏های مختلف (مانند ویژگی‏های مورفولوژیکی، هندسی، مبتنی بر بافت، ویولت و ...) از توده، و در نهایت انجام طبقه‏بندی نهایی ویژگی‏های استخراج شده برای تعیین نوع توده‏های سرطانی (خوش‏خیم یا بدخیم) توسط الگوریتم‏های هوشمند می‏باشند. در ادامه‏ی این بخش به معرفی برخی از مهمترین تحقیقات انجام شده در این حوزه  اشاره شده است.

نیک روان و همکاران در سال 1395 روشی نوین جهت تشخیص توده‏های سرطان سینه ارائه کرذند [6]. این پژوهش شامل سه مرحله‏ی پیش‏پردازش، استخراج ویژگی و طبقه‏بندی بود. مرحله‏ی پیش پردازش شامل حذف نویز و پس‏زمینه از تصویر است. ویژگی‏های استخراج شده شامل ویژگی‏های بافتی بدست آمده از ماتریس هم‏رخداد و هیستوگرام توده و ویژگی‏های هندسی است. تعداد 24 ویژگی استخراج شده از هر توده با استفاده از شبکه عصبی پرسپترون به دو دسته خوش‏خیم و بدخیم طبقه‏بندی شد. صحت بدست آمده از سیستم طراحی شده % 93/3 گزارش شده است [6].

ایمان عباس پور کازرونی و همکاران در سال 1392روشی هوشمند برای جداسازی تصاویر ماموگرافی بر اساس میزان چگالی بافت و تودهها پیشنهاد دادند [7]. مدلی برای کاهش اطلاعات موجود در تصاویر براساس اجزا اولیه بهصورت دو بعدی ارائه شده است که با کاهش داده‌های اضافی موجود در تصاویر ماموگرافی به دقت و سرعت دسته‏بندی تصاویر کمک می‏کند. این مدل بر روی پایگاه داده جامعه تحصیل ماموگرافی MIAS اعمال شده و دقت نهایی بدست آمده در حدود %90 گزارش شده است [7].

سعیده ناصری نوروزانی و همکاران در سال 1397روشی برای تعیین مرحله بالینی بیماران مبتلا به سرطان پستان را ارائه کردند [8]. در این پژوهش از دو پایگاه داده‏ی SEER و پایگاه داده‏ی محلی استفاده شده است. روش اصلی این پژوهش از دو بخش عمده تشکیل شده است. ابتدا مدلی مکانیزه با استفاده از سیستم TNM و الگوریتم کلونی مورچگان جهت تشخیص مرحله سرطان پستان بر اساس پایگاه داده‏ی SEER ایجاد شده است، و سپس هدف بومی‏سازی و ایجاد مدل تشخیص سرطان پستان بر اساس یک دیتاست محلی انجام گردیده است. دقت بدست آمده برای پایگاه داده‏ی SEER و برای پایگاه داده‏ی محلی بعد از اعمال الگوریتم کلونی مورچگان به ترتیب  % 99/43 و % 98/95 بدست آمده و گزارش شده است [8].

حامد جباری و همکاران در سال 1395 روشی ترکیبی جهت قطعه‏بندی و تشخیص تومورهای تصاویر ماموگرافی بافت پستان ارائه کردند [9]. در این مطالعه از داده‏های پایگاه داده DDSM شامل ۱۵۰ تصویر تومور خوش‌خیم و 150 تصویر تومور بدخیم استفاده شده است. پس از پیش‏پردازش و حذف نواحی اضافی، قطعه‏بندی بر مبنای هیستوگرام تصویر و ترکیب تبدیل موجک و الگوریتم ژنتیک و مورفولوژی انجام شده است. به علاوه الگوریتم‏های بهینه‏سازی کلونی مورچگان و ازدحام ذرات نیز در آن مطالعه مورد استفاده و مقایسه قرار گرفته‏اند. نتایج نشان می‏دهند که قطعه‏بندی با استفاده از الگوریتم ژنتیک نسبت به الگوریتم کلونی مورچگان و ازدحام ذرات دارای صحت بالاتری است. درنهایت مدل پیشنهادی به طبقه‏بندی داده‏ها به دو دسته‏ی خوش‏خیم و بدخیم پرداخته است و صحت نهایی بدست آمده  % 91/4 گزارش شده است [9].

پگاه توکل خواه و همکاران در سال 1386 روشی برای دسته‏بندی و تقطیع تصاویر سرطان سینه ارائه کردند [10]. در این پژوهش قطعه‏بندی تصویر با استفاده از الگوریتم رشد ناحیه انجام شده است. در آن مطالعه، ویژگی‏های آماری و وابستگی مکانی از تصاویر استخراج شده است، و در ادامه از روش آستانه‏سازی فازی تطبیقی مبتنی بر انتروپی به منظور استخراج دقیق‏تر توده‏های سرطانی استفاده شده است. دقت نهایی بدست آورده در این پژوهش با استفاده از 38 ویژگی، جهت طبقه‌بندی دادهها به دو گروه سالم و بیمار به ترتیب برابر %86/66 و %83/5 است [10].

رباب شیخ‏پور و همکاران در سال 1395 روشی برای تشخیص سرطان پستان با استفاده از برآورد ناپارامتری چگالی احتمال ارائه کردند [11]. در این پژوهش از پایگاه داده WBCD شامل 699 نمونه‏ی خوش‏خیم و بدخیم با 9 ویژگی و WDCB شامل 569 نمونه‏ی خوش‏خیم و بدخیم با 30 ویژگی استفاده شده است و سپس با استفاده از روش‏های تخمین چگالی مبتنی بر هسته، مدلی برای طبقه‏بندی مجموعه داده‏ها ارائه شده است. نتایج پژوهش نشان می‏دهند که روش برآورد چگالی هسته‏ای گوسین مبتنی بر فاصله اقلیدس با دقت % 97/93 بالاترین دقت را در میان سایر روش‏ها داشته است [11]. پزشکی و همکاران در سال 2019 روشی نوین برای طبقهبندی سرطان سینه ارائه کردند [12]. در این پژوهش در ابتدا، مجموع تفاوت‌های بین پیکسل مرکزی و پیکسل‏های همسایه در جهت‌های مختلف محاسبه شده است. کمترین تفاوت بین دو جهت عمود متعامد شباهت پیکسل‌ها در یک جهت را به عنوان قسمت سوزنی شکل توده مشخص می‌کند. این بخش‌ها به تصویر قطعه‌بندی شده اضافه شده است تا شکل تومور را بزرگتر کنند. در نهایت ویژگی‌های تومور از تصویر قطعه‌بندی شده‌ی نهایی استخراج شده و تومور‌ها به دو دسته‌ی خوش‌خیم و بد‌خیم طبقه‏بندی شده است. دقت نهایی بدست آمده حاصل از این پژوهش ۹۱.۳۷% گزارش شده است [12]. 

بوشرا موگال و همکاران در سال 2017 یک سیستم تشخیص تومور را برای طبقه‌بندی صحیح تودههای سینه به دسته‌های طبیعی، غیرطبیعی، خوش‌خیم و یا بدخیم ارائه کردند [13]. روش پیشنهادی دو مجموعه داده MIAS و DDSM را مورد بررسی قرار داده است. یک الگوریتم جدید برای طبقه‌بندی براساس ترکیب تبدیل top-hat و ماتریس هم‌رخداد سطح خاکستری با شبکه عصبی انتشار برگشتی مورد استفاده قرار گرفته است. دقت نهایی به‌دست آمده به طور متوسط 97/62% گزارش شده است [13]. 

ویلیام تورس و همکاران در سال 2018 روشی برای کاهش تشخیص مثبت کاذب در طبقهبندی تصاویر ماموگرافی ارائه کردند [14]. در این پژوهش برای ارزیابی و تایید اعتبار، پایگاه دادهی DDSM با استفاده از سیستم CAD مورد بررسی قرار گرفت. از توصیف‌گر‌های بافتی مبتنی بر شاخص‌های تفاوت کارکردی برای استخراج ویژگی‌ها و پس از آن طبقه‌بندی مناطق مورد نظر بر اساس وجود یا عدم وجود توده استفاده شده است. صحت نهایی بدست آمده در این کار 92/29% گزارش شده است [14].

باسما موهام و همکاران در سال 2018 روشی خودکار جهت طبقهبندی تصاویر ماموگرام ارائه کردند [15]. این مطالعه پایگاه اطلاعاتی دیجیتال غربالگری ماموگرافی (DDSM) را مورد بررسی قرار داده است. الگوریتم پیشنهادی شامل سه مرحله اصلی است. اول، سه نوع مختلف از ویژگی‌ها از توده جدا شده است. سپس مرتبط‌ترین ویژگی‌ها با استفاده از الگوریتم آزمایش t انتخاب شده و در نهایت، طبقه‌بندی برای تمایز میان توده‌های خوش‌خیم و بدخیم با استفاده از سه طبقه‌بندی کننده، شبکه عصبی مصنوعی، ماشین‌های بردار پشتیبان، k-نزدیک‌ترین همسایه انجام شده است. شبکه عصبی مصنوعی بهترین نتایج را  با دقت %98.9 بدست آورده است [15]. 

ماریا پرز و همکاران در سال 2017 روشی برای طبقهبندی تصاویر ماموگرام ارائه کردند [16]. در این پژوهش از پایگاه‌ داده دیجیتال غربالگری ماموگرافی (DDSM) استفاده شده است. از شبکه عصبی مصنوعی (ANN) با استفاده از یک روش برون سپاری (Back-Propagation) و همچنین ویژگیهای بافتی برای طبقه‌بندی تصاویر به سه دسته نرمال، خوش‌خیم و سرطان استفاده شده است. صحت بدست آمده حاصل از این روش به طور متوسط ۸۴.۷۲% گزراش شده است [16]. 

با توجه به روش‏های گزارش شده در پژوهش‏های پیشین در خصوص انجام عملیات شناسایی، تشخیص و طبقه‏بندی توده‏های سرطان سینه، لزوم انجام یک پژوهش که بتواند روشی خودکار با دقت و سرعت بالا جهت انجام عملیات ذکر شده را ارائه دهد وجود دارد. لذا در این مقاله، روشی ارائه شده است که در آن پس از تشخیص و آشکارسازی توده‏های سرطان سینه از تصاویر ماموگرافی و جداسازی آنها از بافت سالم پستان با بکارگیری روش‏های پردازش تصاویر دیجیتال، و استخراج ویژگیهای ساختاری مختلف از توده‏ها، به بهینه‏سازی پارامترهای طبقه‏بندی کننده‏ی ماشین بردار پشتیبان (SVM) جهت تشخیص تودههای سرطان سینه به دو کلاس خوشخیم و بدخیم پرداخته شده است. در ادامه پس از معرفی پایگاه داده و پیش‏پردازش تصاویر، به بررسی الگوریتم قطعه‏بندی تصویر پرداخته شده است. در مرحلهی بعد ویژگیهای هندسی و ساختاری مورد استفاده در این پژوهش و طبقه‏بندی داده‏ها با استفاده از ماشین بردار پشتیبان و بهینه‏سازی آن شرح داده شده است. در نهایت، نتایج به‌دست آمده مورد تجزیه و تحلیل قرار گرفته است. 

مواد و روش‏ها

پژوهش حاضر به ارائه‏ی روشی کاربردی و جدید جهت آشکارسازی و تشخیص توده‏های سرطانی تصاویر ماموگرافی با استفاده از استخراج ویژگیهای ساختاری از توده‏های سرطانی تشخیص داده شده، به منظور طبقهبندی خودکار تودههای سرطان سینه ارائه شده است. این پژوهش بر اساس بررسی اطلاعات پایگاه داده‏ی تصاویر ماموگرافی دیجیتال DDSM انجام شده است. در این بخش ابتدا به معرفی پایگاه داده‏ی به‌کار گرفته شده در این مقاله پرداخته شده است. سپس به معرفی انواع روش‏های پیش‏پردازش تصاویر ماموگرافی بافت سینه، استخراج توده‏ها و جداسازی آنها از بافت سالم سینه، حذف نواحی اضافه تشخیص داده شده و همچنین بهبود مرزهای توده‏های آشکارسازی شده پرداخته شده است. در نهایت روش‏های استخراج ویژگی از توده استخراج شده است و طبقه‏بندی داده‏ها به دو دسته خوشخیم و بدخیم با استفاده از شبکه عصبی ماشین بردار پشتیبان (Support Vector Machine) و بهینه‏سازی صورت گرفته بر روی آن انجام شده است. تصویر شماره 1 دیاگرام بلوکی روش پیشنهاد شده در این مقاله را نشان میدهد. 

پایگاه داده 

تصاویر مورد استفاده در این پژوهش از پایگاه داده (DDSM) Digital Database for Screening Mammography جمع‏آوری شده است [17]. این پایگاه داده شامل 327 تصویر سرطان خوشخیم و بدخیم بافت سینه است. اندازه اصلی تصاویر  1024×1024 پیکسل و به فرمت DICOM هستند. لازم به ذکر است که مرزبندی اولیه‏ی توده‏های سرطانی در تصاویر این پایگاه داده در ابتدا توسط رادیولوژیست‌ها انجام شده است و گزارشی در مورد خوش‏خیم یا بدخیم بودن توده‏ها نیز در این پایگاه داده برای هر تصویر در دسترس می‏باشد. تصویر شماره 2 نمونه‌ای از تصاویر پایگاه داده DDSM را نشان میدهد [17].

 لازم به ذکر است دادههای موجود در این پایگاه داده دارای برچسبهای از پیش تعیین شده‏ای هستند. این برچسبها شامل Lobulated Margins، Oval، Amorphous distribution، Irregular Architectural، Irregular Margins، Pleomorphic distribution و Round margins هستند. در میان این تصاویر تودههای خوش خیم شکلی شبیه به دایره و یا بیضی داشته در حالی که تودههای بدخیم شکل بی‌نظم و حاوی زائده‌های کوچک و سوزنی دارند. تصویر شماره 3 انواع توده‏های سرطانی سینه را نشان میدهد [18].

پیش ‏پردازش 

به علت نوع تصویربرداری ماموگرافی، این تصاویر در دسته‌ی تصاویر نویزدار قرار می‌گیرند. بنابراین قبل از انجام عملیات پردازش تصویر بر روی این تصاویر باید نویزهای موجود در تصویر از بین بروند. فیلتر میانه به‌طور گسترده‌ای در پردازش تصویر کاربرد دارد. این فیلتر یکی از فیلترهای غیرخطی است که برای حذف نویز ضربهای در تصاویر استفاده می‌شود [19]. این فیلتر با استفاده از یک پنجره ۳×۳ یا ۵×۵، روشنایی پیکسل وسط یا هدف را بر اساس میانه روشنائی پیکسل‏های همسایه تغییر می‏دهد. در نتیجه یک ترکیب از روشنایی در یک محدوده بوجود می‏آید. این فیلتر پیکسل‏هایی که شدت روشنایی بسیار متفاوتی با همسایه‏ها داشته باشند را در نظر نمیگیرد. در این پژوهش فیلتر میانه با پنجرهای با ابعاد ۳×۳ روی تصاویر ماموگرافی دیجیتال برای حذف نویز با استفاده از نرم‏افزار MATLAB اعمال شده است. 

استخراج توده‏های سرطانی

پس از اعمال حذف نویز و هموارسازی تصاویر، افزایش کیفیت و تعیین ساختار نهایی تودهی سرطانی نیاز است. این مرحله در تحلیل تصاویر پزشکی و به‌خصوص تصاویر ماموگرافی، بسیار مهم و ضروری است، زیرا تصاویر پزشکی کیفیت پایینی دارند و تفکیک اجزای مختلف تصویر بسیار دشوار است و خطا در تشخیص بسیار زیاد است. بنابراین در این مرحله تودهها و لبههای تصویر به‌طور کامل مجزا شده و به صورت یک تصویر تفکیک شده نمایش داده می‌شوند. 

روش قطعه ‏بندی آستانه‌گذاری یکی از ساده‌ترین و مؤثرترین روش‌های قطعه‏بندی تصویر است که با استفاده از یک مقدار آستانه، تصویر را به دو بخش قطعه ‏بندی می‏کند. در این روش ابتدا نقطه‏ی میانی هیستوگرام تصویر به عنوان مقدار آستانه T0 در نظر گرفته شده، سپس تبدیل شدت روشنایی‌های تصویر بر اساس این مقدار قطعه‌بندی تصویر مطابق فرمول 1 انجام میشود. 

که در این رابطه  نشان‌دهنده شدت روشنایی در سطر ام و ستون ام است. این الگوریتم برای شدت روشنایی‌های و  میانگین‏گیری انجام داده و بعد از آن میانگینی که از دیگری بیشتر است را یافته و در نهایت مقادیر شدت روشنایی به دو دسته A و B تقسیم میشوند، که در آن A دارای حداقل مقادیر شدت روشنایی و B دارای حداکثر مقادیر شدت روشنایی در تصویر است [20].

بهبود مرز توده‏ های سرطانی

الگوریتم ریخت‏شناسی ریاضی (Mathematical Morphology) یا مورفولوژی روشی جدید به‌منظور پردازش تصویر است. ایده اصلی این روش بر مبنای آنالیز اطلاعات هندسی توسط کاوش یک تصویر با یک الگوی هندسی کوچک‌ میباشد. از جمله مهم‌ترین الگوریتم‌های مورفولوژی ساییدگی (Erosion) و انبساط (Dilation) میباشند. با استفاده از عملگر انبساط اجزا در تصویر شروع به رشد و گسترش میکنند، در مقابل با اعمال عملگر سایش در تصویر، اجزا در تصویر کوتاه و نازک میشوند. در این پژوهش به علت اینکه تودهی استخراج شده توسط الگوریتم آستانه‏گذاری به سمت داخل تمرکز یافته است لذا با به‌کارگیری عملگر انبساط شدت روشنایی پیکسلهای پیرامون لبه به سمت مرکز گسترش یافته‏اند. برای انجام این عملیات، دایرهای به شعاع صعودی ساخته شده که با پیمایش تصویر مقادیر شدت روشنایی برابر خود را یافته به حالتی که در هر تکرار شعاع نیز افزایش مییابد و به‌محض یافتن پیکسل هدف، تمامی پیکسل‏های مابین دارای شدت روشنایی جدیدی برابر با شدت روشنایی پیکسلهای لبه خواهند داشت. 

استخراج ویژگی

استخراج ویژگی یکی از مهمترین قسمتهای سیستم‏های پردازش و تشخیص است. پس از استخراج ناحیه‏ی توده‏های سرطانی سینه که در بخش قبل توضیح داده شد، در این مرحله اقدام به ارائه ویژگی‏های ساختاری از ناحیه‏ی توده‏ی استخراج شده توسط نرم‏افزار MATLAB می‎پردازیم. به منظور طبقه‏بندی دادهها به دو دسته خوش‏خیم و بدخیم، ابتدا باید  ویژگیهای مناسب از ناحیه استخراج شده توسط روش قطعهبندی استخراج گردد در این پژوهش 19 ویژگی ساختاری مورد استفاده قرار گرفته است. در جدول 1 ویژگی‏های ساختاری به‌کار گرفته شده در این پژوهش بیان شده است. 

طبقه بندی

پس از استخراج ویژگی از تصاویر و آماده‏سازی بردار ویژگی با استفاده از الگوریتمهای طبقه‏بندی معرفی شده در این مقاله، به تفکیک داده‏ها به دو دسته‏ی خوشخیم و بدخیم پرداخته شده است. بدین منظور از الگوریتم ماشین بردار پشتیبان (SVM) استفاده شده است. الگوریتم ماشین بردار پشتیبانی یکی از روش‌های یادگیری با نظارت است که از آن برای طبقه‌بندی و تخمین رگرسیون استفاده می‌شود. این روش از جمله روش‌های نسبتاً جدیدی است که در سال‌های اخیر کارایی مناسبی نسبت به روش‌های قدیمی‌تر برای طبقه‌بندی نشان داده‌ است [21]. این الگوریتم جهت جداسازی داده‌ها از یک ابرصفحه استفاده می‌کند و این ابرصفحه به گونه‌ای انتخاب می‌شود که داده‏های هر دسته بیشترین فاصله را با ابرصفحه داشته باشند. در این روش آموزش نسبتاً ساده است و برخلاف شبکه‌های عصبی در ماکزیمم‌های محلی گیر نمی‌افتد. همچنین این روش برای داده‌های با ابعاد بالا تقریباً جواب مناسبی می‌دهد، اما برای اینکه بهینه‌ترین جواب از این شبکه دریافت شود به یک تابع کرنل مطلوب و انتخاب پارامتر مناسب وابسته است. بنابراین در این مقاله از الگوریتم بهینه‌سازی ملخ Grasshopper Optimization Algorithm (که در ادامه شرح داده می‏شود) برای انتخاب بهینهترین پارامترها در الگوریتم SVM، جهت اخذ بهترین نتایج طبقه‏بندی استفاده شده است.

برای ارزیابی اعتباربخشی الگوریتم پیشنهادی از روش اعتبارسنجی 4 تایی (Cross Validation 4-Fold) استفاده شده است. به این‌صورت که کل داده‏های موجود را به چهار بخش تقسیم نموده و در هر مرتبه اجرای برنامه، سه بخش از داده‏ها را به‌عنوان داده‏های آموزشی و یک بخش را به‌عنوان داده‏های اعتبارسنجی به طبقه‏بندی کننده‏های معرفی شده اعمال کردیم. علاوه براین، در این مقاله تعداد %85 داده‏ها را به‌عنوان داده‏های آموزشی و %15 داده‏ها را به‌عنوان داده‏های تست در نظر گرفته شدند. لازم به ذکر است که مجموعاً 100 مرتبه اجرای برنامه انجام شد و در نهایت میانگین و انحراف معیار نتایج بدست آمده گزارش شدند. در جدول 2 و روابط پس از آن نحوه تعریف معیارهای حساسیت (Sensitivity)، اختصاصی بودن (Specificity) و صحت (Accuracy) در طبقه‏بندی تصاویر ماموگرافی سینه جهت تشخیص نوع توده‏ی سرطانی بیان شده است.

فرمول‌های 2، 3 و 4 بیانگر روابط ریاضی برای محاسبه صحت، حساسیت و اختصاصی بودن می‏باشند که به ترتیب در زیر بیان شده‏اند:

الگوریتم بهینهسازی ملخ (GOA)

فرآیند یافتن بهترین مقادیر برای متغیرهای یک مسئله خاص برای به حداقل رساندن یا به حداکثر رساندن یک تابع هدف، بهینه‏سازی نامیده می‏شود. مسائل بهینه‏سازی در زمینه‏های مختلف مطالعات وجود دارد و تاکنون الگوریتمهای بهینه‏سازی بسیاری نظیر climbing، simulated  annealing، Tabu Search (TS) ، Iterated Local Search (ILS) ، Genetic Algorithms (GA، Particle Swarm Optimisation (PSO) ، Ant Colony Optimisation (ACO) ، Differential Evolution (DE) Dolphin Echolocation (DEL) ، Firefly Algorithm (FA) ، Bat Algorithm (BA) ، Grey Wolf Optimizer (GWO)، جستجو فاخته (CS) ، شکار گرگ خاکستری (GWO)، State of Matter Search (SMS)  و گرد افشانی گل (FPA) معرفی شده‏اند، اما تاکنون تحقیقات اندکی ازدحام ملخ‏ها را شبیه‏سازی کرده‏اند. ملخها حشراتی هستند که به علت آسیب‏زدن به محصولات تولیدی و کشاورزی به عنوان آفت در نظر گرفته می‏شوند. اگر چه ملخ‏ها معمولاً به‌طور جداگانه در طبیعت دیده می‏شوند، اما آنها در یکی از بزرگترین ازدحامات نسبت به  تمام موجودات قرار دارند [22]. 

به‌طور کلی، الگوریتم‏های الهام گرفته از طبیعت به گونه‌ای منطقی فرایند جستجو را به دو گرایش تقسیم می‏کنند: اکتشاف و بهره‏برداری؛ در اکتشاف، عاملان جستجو تشویق می‏شوند که به‌طور ناگهانی حرکت کنند، در حالی‌که آنها در طول بهره‏برداری تمایل به حرکت محلی دارند. این دو عملکرد، و نیز جستجوی هدف، به‌طور طبیعی توسط ملخ‏ها در طبیعت انجام می‏شود. 

مدل ریاضی به‌کار گرفته شده برای شبیه‏سازی رفتار ازدحام ملخ‏ها در فرمول 5 بیان شده است [22].

در این رابطه، X_i معرف موقعیت ملخ i ام را تعریف می‏کند، S_i فاکتور تعامل اجتماعی است، G_i نیروی جاذبه در ملخ i ام بوده و A_i معرف پیشگویی باد می‏باشد. توجه داشته باشید که برای ارائه ‏ی رفتار تصادفی، معادله می‏تواند بصورت X_i=r₁ S_i+r₂ G_i+r₃ A_i بازنویسی شود، که در آن r₁ ، r₂ و r₃  اعداد تصادفی در بازه [0.1] هستند. همچنین مطابق فرمول 6 خواهیم داشت [22]:

در این رابطه، d_ij فاصله بین ملخ i ام و j ام است و به صورت d_ij=|x_j-x_i |محاسبه می‏شود، s یک تابع برای تعریف قدرت نیروی اجتماعی است که در فرمول 7 نشان داده شده است [22] و  d_ij=x_j-x_i/d_ij معرف یک بردار واحد از ملخ i ام به ملخ j ام است. تابع s  که نیروهای اجتماعی را تعریف می‏کند نیز به‌صورت زیر محاسبه می شود:

در این رابطهf  نشان‏دهنده‏ی شدت جذب وl  مقیاس طولی جذاب است. در این پژوهش بهینه‏سازی پارامترهای توابع کرنل SVM با به‌کارگیری الگوریتم بهینه‏سازی ملخ انجام شده است. تعداد ملخ‏ های استفاده شده در این مقاله 3 عدد می‏باشد. همچنین عملیات بهینه‏ سازی بر روی سه تابع کرنل linear و RBF و polynomial از طبقه‏ بندی کننده ‏ی SVM انجام شده است. 

نتایج

در این مطالعه تصاویر پایگاه داده DDSM برای طبقهبندی به دو دسته خوشخیم و بدخیم مورد استفاده قرار گرفته است. در این بخش نتایج حاصل از الگوریتم پیشنهاد شده گزارش شده است. تصویر 4 نتایج حاصل از اعمال فیلتر میانه و تصویر 5 و 6 نتایج اعمال قطعه‌بندی توسط روش آستانه‏گذاری و بهبود آن توسط عملگرهای مورفولوژی را نشان میدهند. 

جدول 3 درصد مقادیر صحت، حساسیت و اختصاصی بودن (به همراه واریانس آنها) حاصل از به‌کارگیری طبقه‏بندی داده‌ها (به دو دسته‏ی خوش‏خیم و بدخیم) با استفاده از روش طبقه‏بندی SVM را با استفاده از سه تابع کرنلLinear  و RBF و Polynomial نشان می‌دهد.

همچنین جدول 4 این نتایج را بعد از اعمال الگوریتم بهینه‌سازی ملخ نشان می‌دهد.

در نتایج بیان شده در جدول 3، دیتای آموزشی بکار گرفته شده %85 بوده و %15 داده‏ها به‌عنوان داده‏های تست در نظر گرفته شده‏اند، همچنین اعتبارسنجی طبقه‏بندی انجام شده به‌صورت 4-fold صورت گرفته و تعداد اجرای برنامه به ازای هر تابع کرنل، 100 مرتبه بوده است. همچنین در نتایج بیان شده در جدول 4 نیز دیتای آموزشی %85، طبقه‏بندی بصورت 4-fold انجام شده، تعداد جمعیت ملخ‏ها در الگوریتم بهینه‏سازی برابر 3 عدد بوده، تعداد اجرای تکرارهای الگوریتم ملخ برای بهینه‏سازی برای هر تابع کرنل 100 تکرار بوده و تعداد اجرای برنامه به ازای هر اجرای هر تابع کرنل طبقه‏بندی کننده 100 مرتبه بوده است.

بحث و نتیجه‏ گیری

در این مقاله از ویژگی‏های ساختاری بر پایه شکل هندسی توده‌های سرطانی استخراج شده از تصاویر ماموگرافی دیجیتال توسط روش‏های پردازش تصاویر جهت طبقهبندی دادهها به دو دسته خوشخیم و بدخیم استفاده شده است. در این پژوهش پس از پیش‏پردازش تصاویر و حذف نویز آنها توسط فیلتر میانه، مناطق مشکوک به توده‏های سرطانی در بافت سینه با به‌کارگیری روش قطعه‏بندی آستانهگذاری استخراج شدند. در ادامه، توسط الگوریتم آستانه‏گذاری به سمت داخل توده، و با استفاده از عملگر انبساط، شدت روشنایی پیکسلهای پیرامون لبه به سمت مرکز توده گسترش یافتند. سپس تعدادی ویژگی هندسی و ساختاری از توده‏ی آشکارسازی شده استخراج گردید. توسط این ویژگیها، و با به‌کارگیری طبقه‏بندی‌کننده‏ی SVM، داده‏ها به دو دسته طبقه‏بندی شدند. تعداد 19 ویژگی مساحت ناحیه، محیط، Convex Area، Eccentricity، Equiv Diameter، Euler Number، Extent، Filled Area، Major Axis Length، Minor Axis Length، جهت orientation ،Solidity، نسبت نازکی توده، کشیدگی، Circularity1، Circularity2، فشردگی، شاخص شکل، و پراکندگی و بی‏نظمی که از هر تصویر استخراج شده‏اند را جهت تولید بردار ویژگی استفاده شده است. لازم به ذکر است که دلیل استفاده از این 19 ویژگی این است که بهترین ویژگی‏ها از کل ویژگی‏های قابل استخراج از تصاویر توده‏های سرطانی بوده که با استخراج این ویژگی‏ها، نتایج طبقه‏بندی مناسب‏تری حاصل شده است. در مرحله بعد جهت بهینه‏سازی پارامترهای SVM از روش نوین بهینه‏سازی ملخ استفاده شده است. ننایج بهترین صحت حاصل از الگوریتم SVM (در حالت پایه و بدون استفاده از روش بهینه‏سازی و با کرنل خطی) برابر با 91/67% و صحت حاصل با به‌کارگیری روش بهینه‏سازی توسط الگوریتم ملخ برابر100 درصد به‌دست آمده است. نتایج نشان میدهند که اعمال و استفاده از روش بهینه‏سازی باعث افزایش دقت الگوریتم SVM در فرایند طبقه‏بندی داده‏ها میشود.  جدول 5 نتایج مقایسه الگوریتم پیشنهادی با مطالعات گذشته را نشان میدهد.

با توجه به جدول قابل مشاهده است که صحت روش پیشنهادی با استفاده از ویژگیهای ساختاری مختلف و همچنین بهبود پارامترهای شبکه SVM با سه شاخص صحت، حساسیت و ویژگی (اختصاصیت) 100% داراری کارایی بالاتری نسبت به سایر پژوهشها است.

با توجه به اینکه روش‏های متعددی برای پیش‌پردازش و بخش‏بندی تصاویر وجود دارد، لذا با مرور برخی الگوریتم‏های مشابه در خصوص آشکارسازی سایر توده‏ها و تومورهای دیگر نقاط بدن، می‏توان به اهمیت به‌کارگیری این روش در مقاله‏ی حاضر پی برد. به‌عنوان نمونه، در سال 1395، حمیدرضا غفاری و همکاران روشی برای تشخیص ندول‏های ریوی از روی تصاویر سی‏تی‏اسکن ریه با استفاده از طبقه‏بندی کننده‏ی SVM ارائه کردند [24]. محققان در آن پژوهش از گام‏های تبدیل تصویر به مقیاس خاکستری، تبدیل تصویر خاکستری به باینری توسط یک حد آستانه، حذف نواحی نامرتبط برای دستیابی به دیواره‏ی ریه، پر کردن حفره‏های تصویر برای دستیابی به پس‏زمینه‏ی تصویر، ارائه‏ی نهایی لبه‏های ریه‏ی استخراج شده، افزودن ماسک به تصویر اصلی و بخش‏بندی ریه و انتخاب نواحی مشکوک توسط به‌کارگیری الگوریتم رشد ناحیه‏ی آشکارسازی شده صورت پذیرفت [24]. همچنین، در سال 1391، عباس بی‏نیاز و همکاران در مطالعه‏ای به مرور کامل روش‏های اتوماتیک و نیمه‏اتوماتیک بخش‏بندی تصویر، و به‌طور خاص برای بررسی روش‏های بخش‏بندی تصاویر پزشکی تشدید مغناطیسی مغز انسان پرداختند [25]. محققان در آن مطالعه، انواع روش‏های ناحیه‏بندی تصاویر را به روش دستی، روش بدون سرپرست یا اتوماتیک و روش با سرپرست یا نیمه‏اتوماتیک تقسیم‏بندی نمودند. علاوه براین، آنها روش‏های ناحیه‏بندی ساختاری را که بصورت استفاده از ویژگی‏های مکانی تصویر یا محاسبه‏ی پارامترهای آماری برای ناحیه‏بندی تصاویر است را در دو دسته‏ی کلی بخش‏بندی به کمک ویژگی‏های ساختاری (که دارای زیربخش‏های روش‏های وابسته به لبه، روش‏های وابسته به ناحیه و روش‏های وابسته به پیکسل) و روش‏های بخش‏بندی آماری معرفی کردند [25]. لذا با توجه به بررسی این منابع درخصوص بخش‏بندی تصاویر جهت تشخیص تومورها و ضایعات موجود در تصاویر پزشکی، نتیجه گرفته می‏شود که روش به‌کار گرفته شده در این مقاله برای آشکارسازی توده‏های سرطانی موجود در بافت سینه نیز از روش‏های کلی پردازش تصاویر پزشکی تبعیت می‏کند.

علاوه بر موارد فوق، با توجه به جدول 5، می‏توان نتایج روش مطرح شده در این مقاله را با نتایج روش‏هایی مقایسه کرد که در آنها نیز از پایگاه داده‏ی DDSM استفاده شده است. با توجه به این مورد، پژوهش حامد جباری و همکاران [9] دارای صحت 91/04 درصد بوده است (شاخص‏های حساسیت و اختصاصیت گزارش نشده‏اند)، که نشان می‏دهد نتایج صحت نهایی الگوریتم ارائه شده در مقاله‏ی حاضر از پژوهش  بالاتر بوده است [9]. علاوه بر این، در پژوهش H. Pezeshki و همکاران [12]، که از دو پایگاه داده‏ی تصاویر ماموگرافی MIAS و DDSM استفاده شده است، بهترین نتایج پارامترهای صحت، حساسیت و اختصاصیت نیز پائین‏تر از نتایج گزارش شده در مقاله‏ی حاضر (حتی بدون اعمال الگوریتم بهینه‏سازی ارائه شده) بوده است که این موضوع نیز نشان‌دهنده‏ی دقت بالای روش ارائه شده در این مقاله است. تحلیل مشابهی در مطالعه‏ی Bushra Mughal و همکاران [13] را نیز می‌توان مطرح کرد. در میان تمامی پژوهش‏های پیشین ارائه شده در این حوزه، روش ارائه‌شده توسط Basma A. Mohamed و همکاران [15] دارای عملکرد بسیار بهتری در مقایسه با پژوهش‏های پیشین بوده است. با این حال، روش ارائه شده در مقاله‏ی حاضر با دقت مناسب‏تری به تشخیص و طبقه‏بندی توده‏های سرطانی سینه پرداخته است.

از نوآوری‏های موجود در این تحقیق می‏توان به تعداد بالای ویژگی‏های استخراج شده از توده‏های مستخرج از تصاویر ماموگرافی و همچنین استفاده از الگوریتم بهینهسازی ملخ جهت تعیین دقیق‏تر نوع توده‏های سرطانی بافت سینه که سعی شده است با دقت بالا صورت گیرد اشاره نمود. علاوه بر این، از نقاط قوت روش ارائه شده در این مقاله می‏توان به سرعت و دقت بسیار بالای الگوریتم ارائه شده اشاره نمود. به اینصورت که مرزهای تومورهای سرطانی با دقت بالا استخراج شده، و در نهایت عملیات طبقه‏بندی با بکارگیری ویژگی‏های مورفولوژیکی ساده صورت پذیرفته است. همچنین، با بررسی مطالعات پیشین که خلاصه‏ی آنها در جدول 5 ارائه شده است، مشخص است که تاکنون در پژوهش‏های پیشین اقدام به استفاده از روش‏های بهینه‏سازی در مرحله‏ی طبقه‏بندی نهایی (یا بهینه‏سازی طبقه‏بند بکار گرفته شده) نشده است. لذا بکارگیری روش بهینه‏سازی ملخ در بهینه کردن پارامترهای کرنل‏های مختلف طبقه‏بندی کننده‏ی SVM برای اولین بار در این مقاله ارائه شده است که می‏توان آغاز کننده‏ی روندهای جدید جهت بهبود فرایندهای مختلف طبقه‏بندی در انواع تشخیص‏های پزشکی باشد.

به عنوان ارائه‏ی نتیجه‏گیری کلی از این مقاله، می‏توان به این نکته اشاره نمود که پس از آشکارسازی و تشخیص توده‏های سرطانی سینه که با دقت بالا در این مطالعه انجام شده است، با توجه به ویژگی‏های مورفولوژیکی و ساده‏ی استخراج شده از توده‏های سرطانی، عملیات طبقه‏بندی بخوبی و با دقت بالا انجام پذیرفته است. در نتایج اولیه‏ی طبقه‏بندی کننده‏ی SVM، شاخص‏های صحت، حساسیت و اختصاصی بودن (یا شاخص ویژگی) مقادیر نسبتاً مناسبی را به‌دست آوردند. اما پس از بهینه‏سازی پارامترهای طبقه‏بندی کننده، مقادیر شاخص‏های ذکر شده افزایش قابل توجهی از خود نشان دادند. بر اساس مدل پیشنهاد شده در این مقاله، ویژگیهای مبتنی بر شکل هندسی و ساختار توده‏های استخراج شده از تصویر ماموگرافی دیجیتال بافت پستان، جهت آموزش مدل و تشخیص نوع توده در سرطان پستان دارای کارایی بالایی هستند، و همچنین روش  بهینهسازی ملخ  با استفاده از بهینهسازی پارامترها، دقت کلی تشخیص سیستم ارائه شده را بهبود بخشیده است. در نهایت نتایج حاصل از این پژوهش نشان‏دهنده‏ی عملکرد بالای روش پیشنهاد شده نسبت به سایر پژوهشهای پیشین انجام شده در این زمینه است.

ملاحظات اخلاقی

پیروی از اصول اخلاق پژوهش

در این پژوهش از تصاویر پایگاه داده‏ی DDSM استفاده شده است. لازم به ذکر است که تصاویر موجود در این پایگاه داده بصورت رایگان جهت دسترسی وجود دارند.

حامی مالی

این مقاله حامی مالی ندارد.

مشارکت نویسندگان

مفهوم‏شناسی، تحقیق و روش‏شناسی: ناصر صفدریان؛ جمع‏آوری اطلاعات، منابع و نگارش مقاله: شادی یوسفیان دزفولی‏نژاد؛ ویراستاری، اصلاح نگارشی و نهایی سازی مقاله: ناصر صفدریان؛ 

تعارض منافع

طبق نظر نویسندگان هیچ‏گونه تضاد منافعی در پژوهش حاضر وجود ندارد.

تشکر و قدردانی

نویسندگان مقاله از باشگاه پژوهشگران جوان دانشگاه آزاد اسلامی واحد تبریز کمال تشکر و قدردانی را دارند.

 

References

1.World Health Organization. Cancer: Early diagnosis and screening [Internet]. 2020 [Retrived 6 Aug 2020]. Available at: https://www.who.int/cancer/prevention/diagnosis-screening/en

2.Center of Disease Control. [Report of registered cancer cases (Persian)]. Tehran: Center of Disease Control; 2004. 

3.Baines CJ, McFarlane DV, Miller AB. The role of the reference radiologist. Estimates of inter-observer agreement and potential delay in cancer detection in the national breast screening study. Investigative radiology. 1990; 25(9):971-6. [DOI:10.1097/00004424-199009000-00002] [PMID] 

4.Wallis MG, Walsh MT, Lee JR. A review of false negative mammography in a symptomatic population. Clin Radiol. 1991; 44(1):13-5. [DOI:10.1016/S0009-9260(05)80218-1] 

5.Behnam H, Zakeri F, Gifani P, Torkashvand P, Shalbaf A, [Ultrasound Imaging Processing (Persian)]. Tehran: Ishraqiya Publishing; 2011.

6.Nick Ravan Shalmani A, Karami Mohammadi M. [Diagnosis of breast cancer masses in computer aided mammography images (Persian)]. The 3rd International Conference on Recent Innovations in Electrical and Computer Engineering, 9 September 2016; Tehran, Iran. 

7.Abbaspour Kazerouni I, Haddad Nia J. [Introducing a precise intelligent system for mammographic image separation based on density of tissues and masses (Persian)]. Iran J Breast Dis. 2013; 6(1).

8.Naseri Noroozani S, Shayegan MA. [Clinical stage detection of breast cancer patients using tnm system and ant colony algorithm (Persian)]. Iran J Breast Dis. 2018; 11(3):56-70.

9.Jabbari H, Bigdeli N, Khadem A. [A new hybrid approach to segmentation and diagnosis of tumors in breast mammography images (Persian)]. Iran J Breast Dis. 2016; 9(3):14-24.

10.Tavakkolah P, Safabakhsh R., [A new approach to classifying and classifying breast cancer masses (Persian)] Third Information and Knowledge Technology Conference. 6-8 December 2007: Tehran; Iran.

11.Sheikhpour Ro, Sheikhpour Ra. [Diagnosis of breast cancer using nonparametric estimation of nuclear methods-based probability density (Persian)]. Razi J Med Sci. 2016; 23(144):30-40.

12.Pezeshki H, Rastgarpour M, Sharifi A, Yazdani S. Extraction of spiculated parts of mammogram tumors to improve accuracy of classification. Multimed Tools Appl. 2019; 78:1-25. [DOI:10.1007/s11042-019-7185-4] 

13.Mughal B, Sharif M, Muhammad N, Saba T. A novel classification scheme to decline the mortality rate among women due to breast tumor. Microsc Res Tech. 2018; 81(2):171-80. [DOI:10.1002/jemt.22961] [PMID] 

14.Torres W, Oseas A, Sousa A, Silva FA. Functional Diversity applied to the false positive reduction in breast tissues based on digital mammography. 2018 IEEE Symposium on Computers and Communications (ISCC), Natal. 2018; 25:1120-25. [DOI:10.1109/ISCC.2018.8538658] 

15.Mohamed BA, Salem NM. Automatic classification of masses from digital mammograms. 2018, 35th National Radio Science Conference (NRSC). 2018 Mar 20; 495-502. IEEE. [DOI:10.1109/NRSC.2018.8354408] 

16.Pérez M, Benalcázar ME, Tusa E, Rivas W, Conci A. Mammogram classification using back-propagation neural networks and texture feature descriptors. 2017 IEEE Second Ecuador Technical Chapters Meeting (ETCM). 2017 Oct 16; 1-6. [DOI:10.1109/ETCM.2017.8247515] 

17.Digital Database for Screening Mammography. Available at: http://marathon.csee.usf.edu/Mammography/Database.html

18.Vadivel A, Surendiran B. A fuzzy rule-based approach for characterization of mammogram masses into BI-RADS shape categories. Comput Biol Med. 2013; 43(4):259-67. [DOI:10.1016/j.compbiomed.2013.01.004] [PMID] 

19.Huang T, Yang GJ, Tang G. A fast two-dimensional median filtering algorithm. IEEE Trans Acoust Speech Signal Process. 1979; 27(1):13-8.  [DOI:10.1109/TASSP.1979.1163188] 

20.Massodi P, Safdarian N, Kalantar B. [Detection and classification of breast cancer using feature extraction from mammography images by image processing technique and neural network (Persian)]. International Conference on Non-Linear System & Optimization in Computer & Electrical Engineering. May 2015: Dubai; United States of Emirates.

21.Fradkin D, Muchnik I. Support vector machines for classification. DIMACS series in discrete mathematics and theoretical computer science. 2006; 70:13-20.

22.Saremi S, Mirjalili S, Lewis A. Grasshopper optimisation algorithm: Theory and application. Adv Eng Softw. 2017;105:30-47. [DOI:10.1016/j.advengsoft.2017.01.004] 

23.Safdarian N, Hedyezadeh M. Detection and classification of breast cancer in mammography images using pattern recognition methods. Multidiscip Cancer Investig. 2019; 3(4):13-24 URL: http://mcijournal.com/article-1-229-en.html [DOI:10.30699/acadpub.mci.3.4.13] 

24.Ghaffari H, Mostashari M, Mahmoodi M. [Designing a system for detection of pulmonary nodules in lung ct images using support vector machine classifier (Persian)]. J Health Biomed Informatics, Med Informatics Res Center. 2017; 3(4):300-9.

25.Biniaz A, Abbasi A, Shamsi M. [A comprehensive overview of segmentation of medical images of magnetic resonance in the human brain: methods, clinical applications, advantages and disadvantages (Persian)]. Majlis Electrical Engineering Conference. 2012: New Majlis City: Iran.