بخشی از مقاله
چکیده
سرطان سینه یکی از دلایل عمده و اصلی مرگ و میر زنان در دهه اخیر بوده است. اگرچه این نوع سرطان به دلیل مشخص نبودن دلایل اصلی آن قابل پیشگیری نیست، اما تشخیص به موقع آن میتواند شانس فرد را در بهبودی کامل افزایش دهد. ماموگرافی یک ابزار شناخته شده است که به تشخیص زودهنگام این بیماری کمک میکند. تاکنون پژوهش های مختلفی برای تشخیص سرطان سینه ارائه شده است اما به دلیل عدم انتخاب استخراجگری که به خوبی بتواند ویژگیهای بافت را استخراج کند و همچنین عدم استفاده از یک طبقهبند قوی نتوانستند به دقت کافی برسند. در این پژوهش جهت استخراج ویژگیهای مبتنی بر بافت تصویر از تبدیل موجک پراکندگی استفاده میشود.
استفاده از ویژگیهای متعدد باعث میشود تا حجم دادههای ورودی برای طبقهبندی کننده بالا رفته، از این رو نیاز است که ابعاد ویژگیها به سبکی مناسب کاهش یابد، برای این منظور از الگوریتم آنالیز اجزای اصلی و آنالیز تفکیک استفاده شده است. در انتها از طبقه بند شبکه عصبی پرسپترون چند لایه به صورت سلسله مراتبی، برای طبقهبندی سرطان استفاده میشود. برای ارزیابی روش پیشنهادی، از مجموعه تصاویر Mini-MIAS استفاده میشود و به دقت 97/57 درصد رسیدهایم.
کلمات کلیدی: سرطان سینه، تبدیل موجک پراکندگی، آنالیز اجزای اصلی، آنالیز تفکیک خطی، طبقه بندی سلسله مراتبی
مقدمه
سرطان سینه قدیمیترین نوع شناخته شده سرطان در انسان است. که اولین نشانههای آن در سال 1600پیش از میلاد مسیح در مصر مشاهده شده است. علیرقم تلاشهای زیادی که برای تشخیص و درمان سرطان سینه انجام شده، این بیماری بیشترین قربانی را دارد. روشهای زیادی همچون پردازش تصویر برای تشخیص به موقع این بیماری ایجاد شده اند .در سرطان تشخیص بهنگام و درمان مناسب میزان بهبودی و بقای بیماران را بهبود میبخشد بنابراین در حالی که تشخیص سرطان مبتنی بر روشهای تداخلی همچون جراحی، رادیولوژی و شیمی درمانی است، مطالعات نشان میدهد که استفاده از فناوریهای نوین کامپیوتری همچون مکانیسم پردازش تصویر در فرایندهای مربوط به تشخیص و دسته بندی سرطان موفق عمل کردهاند .
ماهیت تصاویر پزشکی مختلف متفاوت هستند و نیاز به پردازش های خاصی قبل از تشخیص دارند. همچنین دستگاه های مختلفی وجود دارند که از قسمتهای مختلف بدن عکسبرداری می کنند که نیازمند تکنیکهای مختلفی در پروسس تشخیص هستند . در ادامه به بررسی روش های موجود و کارهای انجام شده میپردازیم و مزایا و معایب آنها را مورد بررسی قرار میدهیم.
پیشینه تحقیق
روشهای گوناگونی در چند سال اخیر جهت شناسایی سرطان سینه ارائه شده است که در ادامه به توضیح برخی از آنها می-پردازیم. ابوالقیم و همکارش در سال 2016 یک روش ساده برای شناسایی سرطان سینه با استفاده از تصاویر دیجیتال ماموگرافی ارائه کردهاند. روش پیشنهادی آنها شامل سه گام اصلی میباشد: تقسیمبندی ناحیه سینه، حذف ماهیچه گردن، طبقهبندی عضله سینه به سرطانی و غیرسرطانی. برای تقسیمبندی عضله سینه از تکنیک آتسو و پسازآن برای حذف عضله گردن از تشخیص لبه قوسی و تکنیک تقریبی خط مستقیم بهره گرفتهاند.
در مرحلهی بعد از ماتریس همرویداد خاکستری برای1 استخراج ویژگی استفاده کرده و در نهایت طبقهبند ماشین بردار پشتیبان2 برای طبقهبندی بافتهای سرطانی و غیرسرطانی آموزش دیده میشود. روش پیشنهادی بر روی پایگاه داده Mini-Mias انجام شده است الناز الفتی و همکاران در سال 2014 سیستمی برای تشخیص سرطان سینه ارائه کردهاند، که از روش تحلیل اجزای اصلی 3 برای کاهش ابعاد ویژگی-ها، از الگوریتم ژنتیک4 برای انتخاب ویژگیهای مناسب و از ماشین بردار پشتیبان بهمنظور طبقهبندی استفاده میکند. از معایب این روش این است که الگوریتم ژنتیکذاتاً فضای مسئله را بهصورت کلی جستجو میکند و در جستجوی محلی ضعیف میباشد. مجموعه پایگاه دادهی مورد استفاده WBCD5 میباشد .
رنجیت بیسواس و همکاران، برای حذف مصنوعات از فرآیند استخراج ناحیه مطلوب و برای حذف نویز از فیلتر میانه دو بعدی و برای بهبود تصاویر از الگوریتم تعدیل هیستوگرام سازگار با کنتراست محدود6 استفاده کردهاند. در مرحلهی بعد از ماتریس همرویداد خاکستری برای استخراج ویژگیها استفاده شده است و در نهایت برای از k نزدیکترین همسایه، ماشین بردار پشتیبان و شبکه عصبی مصنوعی برای طبقهبندی استفاده کردهاند، روش پیشنهادی بر روی مجموعه پایگاه داده MIAS انجام شده است .
رجانی و همکارانش در این پژوهش روشی جدیدی برای جداسازی تومورهای سرطانی پیشنهاد کردند. در این روش جداسازی تومور طی چند مرحله انجام میشود: افزایش کیفیت تصاویر ماموگرافی مانند استفاده از فیلتر و تبدیل موجک گسسته7، جداسازی ناحیه مشکوک به وجود تومور، استخراج ویژگی از ناحیه جداشده، استفاده از روش کلاس بندی ماشین بردار پشتیبان. این روش بر روی 75 تصویر ماموگرافی از دیتابیس MINI-MIAS انجام شده است که دارای حساسیت 88,75 درصد می باشد .
تاکنون پژوهش های مختلفی در این زمینه انجام شده است اما از دقت کافی برخودار نیستند از آنجایی که دقت در تشخیص سرطان حائز اهمیت میباشد، در این پژوهش با ارائه روشی جدید میتوان دقت شناسایی را نسبت به کارهای پیشین افزایش داد. در این پژوهش، سعی بر آن است که با استفاده از تصویر ماموگرافی دیجیتالی تشخیص سرطان سینه صورت پذیرد و برای نیل بهاین هدف، از ویژگیهای مبتنی بر بافت تصویر نظیر تبدیل موجک پراکندگی8 استفاده میشود.
استفاده از ویژگیهای متعدد باعث میشود تا حجم دادههای ورودی برای طبقهبندی کننده بالا رفته و طبقهبندی دشوار گردد. از این رو نیاز است که ابعاد ویژگیها به سبکی مناسب کاهش یافته همچنین این کاهش به نحوی باشد که در دقت طبقه بندی بهبود حاصل گردد، برای این منظور، در ادامه بعد از استخراج ویژگیها، برای کاهش ابعاد مسئله و بهبود در دقت طبقهبندی از الگوریتمهای کاهش ابعاد مسئله تحلیل مولفههای اصلی و وتحلیل الگوی متمایز خطی9 استفاده خواهد شد.
در انتها از یک طبقه بند کننده نظیر شبکه عصبی پرسپترون چند لایه10 به صورت سلسله مراتبی، برای طبقهبندی سرطان استفاده میشود تا بتوان دقت را نسبت به کارهای پیشین بهبود بخشید. روند پیشرفت این مقاله به این صورت میباشد: در بخش 3، تبدیل موجک پراکندگی،در بخش 4، روش پیشنهادی، در بخش، 5 ارزیابی روش پیشنهادی و در بخش 6 نتیجهگیری ارائه شده است.
تبدیل موجک پراکندگی
توصیفگر تصویر ثابت محلی همانند مقیاس ثابت تبدیل ویژگی11، تصویر موثرتری را برای طبقهبندی تصویر ارائه میدهد. این بردار ویژگی و همچنین توصیفگر چند مقیاسی با میانگین فاصلهها از دامنه ضرایب موجک محاسبه میشوند . میانگین، ویژگیهای متغیر را کاهش میدهد و در حالیکه یک انتقال محلی تغییرناپذیر را فراهم میکند اطلاعات را کاهش میدهد. عملگر پراکندگی، فرکانسهای بالای از دست رفته را بهبود بخشیده و آنها را به ضریب رخداد در مقیاس و جهتگیریهای متعدد بر میگرداند.
این ضرایب، تغییرشکلهای کوچک را به صورت طولی در میآورند. آنها با یک شبکه پیچشی محاسبه میگردند که تبدیلات موجک انقباضی و ماژول اپراتورها را مرتب میکند. عملگرهای پراکندگی، نمایش جدیدی از بافتهای تصویری ثابت ایجاد میکند که میتواند بافتهایی با توان طیفی یکسان را تشخیص دهد . نوشتن این بردارهای ویژگی به صورت ضرایب موجک به درک بهتر و همچنین تکمیل کردن ویژگیها کمک میکند.
