بخشی از مقاله
چکیده
یکی از شایعترین بیماریهای موجود در بین زنان، سرطان پستان است که بهعنوان دومین عامل مرگ و میر زنان در جهان شناخته شده است. درنتیجه مهمترین مسئله در درمان این نوع از سرطان تشخیص زودهنگام آن است. در این مقاله روش تمامخودکار بهمنظور شناسائی تصاویر سرطانی ماموگرام با هدف کمک به متخصصین در روند تشخیص زودهنگام این نوع از سرطان ارائه شده است. الگوریتم ارائه شده شامل 4 مرحلهی پیشپردازش، استخراج ویژگی، کاهش ابعاد و طبقهبندی است.
در مرحلهی پیشپردازش هدف اصلی این است که با اعمال فیلتر میانگینگیر نواحی اضافی نظیر شماره و متنهای موجود در تصاویر ماموگرام و همچنین نواحی مربوط به ماهیچه سینهای حذف شود. در مرحلهی استخراج ویژگی از تبدیل کسینوسی گسسته بر روی تصاویر دیجیتال ماموگرام استفاده شده است.
از الگوریتم LSDA بهمنظور کاهش ابعاد و حذف ویژگیهای اضافی و نامطلوب تبدیل کسینوسی گسسته استفاده شده است.
سرانجام بهمنظور طبقهبندی تصاویر، ماشین بردار پشتیبان به-کار گرفته شده است. در این مقاله تصاویر از پایگاه دادهی DDSM که شامل 300 تصویر سالم، 350 تصویر خوشخیم و 300 تصویر سرطانی است، استفاده شده است. دقت الگوریتم پیشنهادی در طبقهبندی دادهها با استفاده از شبکههای عصبی SVM از نوع RBF برابر 100 است.
1 - مقدمه
سرطان پستان یکی از شایعترین سرطانهای موجود در میان زنان بوده و بهعنوان دومین سرطان شناخته شده در جهان است که منجر به مرگ میشود - جباری و همکاران، . - 1395 با توجه به اینکه دلیل این نوع از بیماری معمولاً ناشناخته است، تنها روش کنترل آن شناسائی و تسخیص زودهنگام است. معروفترین روش تشخیص سرطان پستان، نمونهبرداری از بافت و انجام آزمایشهای موردنظر بر روی آن است. با توجه به اینکه این روش یک روش تهاجمی بوده، تلاش پژوهشگران و محققین بر این است که بهمنظور تشخیص و طبقهبندی این نوع از بیماری بدون انجام فرآیند نمونهیرداری از بافت، از سیستمهای تشخیص کمک-رایانهای با دقت بالا استفاده کنند
روشهای آنالیز هوشمند و تمام-خودکار تصاویر ماموگرافی که بر اساس روشهای پردازش تصویر و بینائی کامپیوتر استوار هستند، در زمینههای مختلفی بهکار گرفته میشوند. از جمله این روشها میتوان به بهبود ویژگیهای تصاویر ماموگرافی، آشکارسازی نواحی مشکوک نظیر نواحی تومورال، و همچنین طبقهبندی انواع بیماریها از روی تصاویر ماموگرافی اشاره کرد
محققین روشهای متفاوتی را بهمنظور آنالیز بر روی تصاویر ماموگرافی برای کاربردهای مختلف ارائه کردهاند.
بهمنظور بخشبندی تومورهای سرطان پستان روش مبتنی بر شبکههای عصبی را ارائه کردهاند، برای تقطیع ناحیه خوشخیم و بدخیم بافت سالم، از روش رشد نواحی استفاده شده است. در گام اول تصاویر ماموگرافی با استفاده از روشهای یکنواختسازی هیستوگرام و عملگرهای مورفولوژیکی بهبود داده شده و در گام بعدی ویژگیهای آماری و همبستگی مکانی پیکسلها استخراج شده و از روش آنالیز اجزای اصلیٌ بهمنظور کاهش ابعاد ویژگیها استفاده شده است.
در این روش بهمنظور استخراج دقیق ناحیه توده از روش آستانهگذاری فازی تطبیقی مبتنی بر آنتروپی استفاده شده است. سرانجام بهمنظور طبقهبندی تصاویر از طریق ویژگیهای استخراج شده، شبکههای عصبی مبتنی بر انتشار خطا رو به عقب بهکار شده است. دقت روش ارائه شده برای 38 ویژگی برای تشخیص تودههای غیرسالم برابر با %86/66 و برای تودههای سالم برابر با %83/05 است.
- قیومیزاده و همکاران، - 1391 بهمنظور خوشهبندی و غربالگری سرطان پستان از روی تصاویر حرارتی، شبکههای عصبی مبتنی بر SOM و MLP را ارائه کردهاند. بههمین منظور ابتدا جهت خوشهبندی تصاویر حرارتی از شبکههای عصبی خودسازمانده استفاده شده است. سرانجام بهمنظور غربالگری تصاویر ابتدا تصاویر از طریق شبکههای عصبی خود سازمانده خوشهبندی شده و در نهایت فرآیند غربالگری از طریق شبکههای عصبی MLP به اتمام میرسد. حساسیت الگوریتم ارائه شده برابر با %93 است.
بهمنظور طبقهبندی تودههای خوشخیم و بدخیم، پس از مرحلهی پیشپردازش تصویر شامل بهبود کنتراست و حذف نویز نقطهای، به ناحیهبندی تودهها و تعیین مرز آنها، با ترکیب دو رویکرد دستی و کامپیوتری پرداختهاند. در مرحلهی بعد 827 ویژگی شامل 24 تصویر استخراج شده است. سپس با استفاده از کلاسبندی رگرسیون لجستیک تنک بهمنظور حذف ویژگیهای نامرتبط و کلاسبندی تصاویر پرداخته شده که با اعمال این الگوریتم به تصاویر نوع توده با صحت 89/%92 و حساسیت %78/13 و دقت %94/44 تشخیص داده شده است.
- لنگریزاده و رزی محمود، - 1393 یک روش کمی برای تعیین و دستهبندی فشردگی بافت پستان در تصاویر ماموگرام دیجیتال با استفاده از منظق فازی ارائه کردهاند. در ابتدا این روش بهمنظور بهبود تصویر نیازمند یک مرحلهی پیشپردازش است که الگوریتم رشد ناحیه جهت حذف نواحی اضافه بهکار گرفته شده است. در مرحلهی بعدی پس از حذف پیکسلهای مربوط به پسزمینه، خصوصیات موردنیاز محاسبه شده و در نهایت براساس قواعد فازی، فشردگی بافت پستان تعیین شده است. دقت روش ارائه شده بر روی 220 تصویر ماموگرام برابر با %92/8 است.
- لشکری و همکاران، - 1394 روشی را بهمنظور آشکارسازی خودکار نواحی مشکوک در تصاویر توموگرام پستان ارائه کردهاند. این الگوریتم شامل 4 مرحله پیشپردازش، استخراج ویژگی، انتخاب ویژگی و طبقهبندی است. در مرحلهی پیش پردازش بر اساس عملیاتی تمام-خودکار، ناحیهی مطلوب تعیین شده و پستان راست و چپ از یکدیگر جدا میشوند. سپس درایههای ماتریس تصویر، نرمالسازی شده و نواحی نسبی میشوند. پس از آن در مرحلهی استخراج ویژگی، ویژگیهای آماری، ویژگی های مبتنی بر ماتریس هموقوعیٍ ، ویژگیهایی براساس عملیات مورفولوژیکی، نواحی مشکوک از هر یک از نواحی بخشبندی شده پستان راست و چپ استخراج میشود.
در ادامه برای دستیابی به بهترین ویژگیها، روشهای انتخاب ویژگی نظیر کمترین افزونگی و بیشترین ارتباط َ ، انتخاب متوالی رو به جلوُ و انتخاب متوالی رو به عقبِ، انتخاب متوالی سیار رو به جلوّ ، انتخاب متوالی سیار رو به عقبْ و الگوریتم ژنتیک بهکار گرفته شده است. سرانجام بهمنظور طبقهبندی و تعیین استاندارد برای تحلیل دمای عروقی پستانها - TH - ، روشهای مختلفی نظیر: KNN ، adaboost و SVM، بیزین ساده و شبکه عصبی احتمالیَ مورد ارزیابی قرار گرفتهاند که با توجه به نتایج ترکیب mRmR با Adaboost، صحت الگوریتم ارائه شده %92 و ترکیب SFFS با AdaBoost برابر با %88 است.
- جباری و همکاران، - 1395 بهمنظور تشخیص و بخشبندی تومورهای موجود در تصاویر ماموگرافی یک روش مبتنی بر هیبریدی را ارئه کردهاند. در این روش ابتدا به منظور حذف پسزمینه و افزایش کنتراست تصویر از آستانه گذاری اتسو و روش رشد مبتنی بر ناحیه استفاده شده است. در مرحلهی بعدی بهمنظور بخشبندی تصاویر ماموگرافی بر اساس هیستوگرام تصویر ترکیب تبدیل موجک و الگوریتم ژنتیک ارائه شده است.
سرانجام پس از بخشبندی تصاویر بهمنظور مرزبندی تومورهای پستانی از عملگرهای مورفولوژیکی شامل عملیات باز کردن تصویر استفاده شده است. دقت الگوریتم ارائه شده برای طبقهبندی دادهها به دو دستهی خوشخیم و بدخیم برابر %91/4 است.
- درزی و همکاران، - 1395 با ارائهی الگوریتمی به طبقهبندی دادههای نامتوازی مربوط به بیماران مشکوک به سرطان جهت تعیین وضعیت و طبقهبندی سالم و غیرسالم بودن پستان پرداختهاند. در این الگوریتم برای طبقهبندی دادهها، سه الگوریتم adaboost.M1,KNN و شبکهی عصبی احتمالی استفاده شده است. از آنجا که دادهها نامتوازن هستند، برای حل این مساله از روش بیش نمونهبردای تصادفی کلاس اقلیت، زیرنمونهبرداری تصادفی کلاس اکثریت و بیشنمونهبردای مصنوعی کلاس اقلیت استفاده شده است.
معیارهای دقت و f-measure بهمنظور ارزیابی در مرحلهی آزمون الگوریتمها مورد استفاده قرار گرفته است که در این راستا عملکرد الگوریتمهای adaboost.M1،KNN و شبکهی عصبی احتمالی در مواجه با مجموعه داده مذکور و برا ساس معیارهای دقت و f-measure بهترتیب %93/5 ،%93/6 ، %79/5 ، %87/7 ، %86 و %91/9 بهدست آمدهاند. از بین این الگوریتمها Adaboost دارای بهترین عملکرد است.
- Keerachart et al, 2017 - بهمنظور طبقهبندی تومورهای خوشخیم و بدخیم از روی تصاویر ماموگراف طبقهبندی مبتنی بر ماشین بردار پشتیبان را ارائه کردهاند. در مرحلهی پیشپردازش بهمنظور حذف نویز و بهبود کنتراست تصویر بهترتیب از فیلتر میانه و روش اصلاح گاما استفاده شده است. پس از مرحلهی پیشپردازش، بهمنظور بخشبندی نواحی موردنظر از روش مبتنی بر رشد ناحیه استفاده شده است. سرانجام با استخراج ویژگی براساس ویژگیهای بافت، شکل هیستوگرام شدت روشنائی و آموزش آنها به شبکههای عصبی مبتنی بر ماشین بردار پشتیبان مرحلهی طبقهبندی دادهها انجام شده است. دقت الگوریتم ارائه شده %92/98 است.
- Deanship et al, 2017 - برای طبقهبندی تصاویر ماموگرام بهمنظور آشکارسازی سرطان روش مبتنی بر ویژگیهای تبدیل کسینوسیٌ گسسته و تبدیل موجک گسستهٍ را ارائه کردهاند. مرحلهی پیشپردازش شامل بهبود کنتراست تصویر و حذف نویز است. در مرحلهی بعد نواحی پسزمینهی تصویر و همچنین ماهیچههای سینهای َ جدا شدهاند. سرانجام طبقهبندی دادهها به دو کلاس طبیعی و غیر -طبیعی از طریق ماشین بردار پشتیبان انجام شده است. ویژگیها از طریق DWT و DCT استخراج شده و آموزش شبکه بر اساس این ویژگیها انجام شده است. دقت الگوریتم ارائه شده %98/39 است.
2 - الگوریتم پیشنهادی
در این پژوهش یک روش ترکیبی از تبدیل کسینوسی گسسته و ماشین بردار پشتیبان بهمنظور طبقهبندی دادههای سالم، خوشخیم و سرطانی از تصاویر دیجیتال ماموگرام ارائه شده که بلوک دیاگرام آن در شکل 1 نشان داده شده است. ساختار کلی مقاله به صورت زیر است:
در بخش 1-2 مرحلهی پیشپردازش توضیح داده خواهد شد، در بخش 2-2 تبدیل کسینوسی گسسته، الگوریتم تحلیل متمایز حساس مکانی - LSDA4 - و ماشین بردار پشتیبان - SVM5 - بهترتیب در بخشهای 3-2 و 4-2 ارائه خواهند شد، سرانجام در بخش 3 به ارائهی نتایج پیادهسازی و در بخش 4 به نتیجهگیری خواهیم پرداخت.
