بخشی از مقاله
چکیده
این مقاله در مورد روشی برای تشخیص خودکار ناهنجاریها در ماموگرام ها بحث میکند. تکنیکهای پردازش تصویر، برای کلاسه بندی دقیق نواحی موردنظر - ROI - مشکوک، پیش از تشخیص ناهنجاری به کار برده میشوند. پوشش غیر شارپ برای بهسازی ماموگرام به کار برده میشود. حذف نویز با استفاده از فیلتر میانی انجام میشود. تبدیل موجک گسسته روی تصویر فیلتر شده اعمال میشود تا قبل از کلاسهبندی، نتایج دقیقی را ارائه کند. ROI مشکوک با استفاد از میانگین- های C فازی و با تکنیک آستانه بندی کلاسه بندی میشود. ویژگیهای تامورا، ویژگیهای مبتنی بر شکل و ویژگیهای - ثابتهای - لحظهای از ROI1 کلاسه بندی شده استخراج می-شوند تا ناهنجاریهای موجود در ماموگرامها شناسایی شوند. الگوریتم پیشنهادی روی مجموعه دادههای Mini -MIAS2 اعتبارسنجی میشود و مورد تأیید قرار میگیرد.
کلمات کلیدی: پوشش غیرشارپ، فیلتر میانی، میانگینهای Cفازی، تبدیل موجک گسسته
-1 مقدمه
ماموگرافی به عنوان مهمترین تکنیک برای بررسی و تشخیص سرطان پستان در نظر گرفته میشود. آن میتواند برای تشخیص بیماری در مراحل اولیه، یعنی زمانی که بهبود ممکن است، مورد استفاده قرار بگیرد. کار سیستم کمک تشخیصی کامپیوتری - CAD - خواندن ماموگرامها، تعیین نواحی مشکوک ناهنجاریها و آنالیز مشخصههای آن میباشد. کارایی و اعتبار CAD بستگی به کلاسهبندی دقیق آسیبها و انتخاب ویژگی مناسب دارد. کلاسهبندی جهانی آسیبها چالش برانگیزترین وظیفه میباشد که به دلیل آرتیفکتها و بافتهای سالم حاضر در ماموگرامها میباشد. الگوریتمهای مختلفی در متون، برای تشخیص اولیهی سرطان پستان در ماموگرامها ایجاد شدهاند. کگلمیر و همکارانش اصول ویژگی بافتی و طبقهبندی کنندهی دودویی درخت تصمیم گیری را برای طبقه بندی بین آسیب ها و بافت های نرمال ارائه کردند. کامپنینی و همکارانش، یک طبقه بندی کنندهی SVM3 را برای تشخیص توده در ماموگرامهای دیجیتال ارائه کردهاند.
سهینر و همکارانش از آمار تفاضل 4 سطح خاکستری - GLDS - ویژگیهای بافتی و شبکه- ی عصبی پیچیده برای تشخیص توده استفاده کردند. بلتونی و همکارانش یک سیستم CAD خودکار را بر اساس ویژگیهای ماتریسهای هم رویداد سطح خاکستری - GLCM4 - و کلاسه- بندی کنندهی شبکهی عصبی پس انتشار را برای تشخیص توده پیشنهاد کردند. مودیگوندا و همکارانش و دومینگوئز و همکارانش تکنیک دانسیتهی برش را برای تقسیم بندی توده پیشنهاد کردند. شارما و کانا یک سیستم CAD را برای تشخیص سرطان پستان با استفاده از لحظات زرنیک پیشنهاد کردند. کشیاپ و همکارانش یک الگوریتم تقسیم بندی موثر را برای تشخیص سرطان پستان در ماموگرامها پیشنهاد کردند. کار اخیر یک روش مبتنی بر شکل را برای تشخیص سرطان پستان با استفاد از ماموگرام ها پیشنهاد میکند. سازمانبندی این مقاله بر طبق زیر میباشد: فلوچارت و الگوریتم پیشنهادی در بخش 2 توصیف شده است. بخش 3 شامل تایید الگوریتم و نتایج آزمایشگاهی میباشد و نتایج در بخش 4 آمدهاند.
.II الگوریتم پیشنهادی
فلوچارت الگوریتم پیشنهادی در شکل 1 ارائه شده است که شامل تقسیم بندی مناطق پستان، بهسازی، فیلترینگ، تقسیم بندی، استخراج ویژگی و مراحل کلاسهبندی میباشد. انواع مختلف نویزها مانند آرتیفکتهای نواری، لیبلها یا آرتی فکت- های اسکنینگ در تصاویر ماموگرام حضور دارند. چنین نویزهایی باید مهار شوند و از پردازشهای بعدی مستثنی شوند. نواحی پستان که بعداز حذف نویزها کلاسه بندی میشوند حاوی اطلاعات مفیدی هستند. تصاویر ماموگرام اصلی، توسط روش آستانه بندی عمومی دودویی میشوند. عملیات گشودن مورفولوژیکی برای حذف نواحی کوچک مورد استفاده قرار میگیرد.
الگوریتم برچسب زنی جزء متصل برای شناسایی بزرگترین جزء متصل به عنوان یک ناحیهی پستان به کار برده میشود. ناحیهی پستان روی تصویر اصلی اضافه میشود تا تصویر بدون برچسب تقسیم بندی شدهی نهایی Ip به دست بیاید. کنتراست تصاویر ماموگرام با استفاده از تکنیک پوشش غیرشارپ بهسازی میشود تا تصاویر بهبودیافتهی IPE به دست بیاید. تصویر بدون لیبل اصلی معکوس میشود تا تصاویر معکوس / به دست بیاید. تصاویر معکوس نیز با استفاده از تکنیک پوشش غیر شارپ بهسازی میشوند و تصاویری که حاصل میشوند تصاویر معکوس افزایشی / میباشند. تصویر معکوس بهسازی شده، از تصویر بهسازیشدهی IPE کاسته میشود و نتیجهی آن تصویر کاهشی I1 میباشد. تصویر کاهشی با استفاده از فیلتر میانی و به منظور حذف نویزهای کلی تصویر فیلتر میشود که تصویر فیلتر شدهی I1F را ایجاد میکند. تبدیل موجک گسسته - DWT - 5 برای تجزیهی تصویر فیلتر شده به تصویر تقریبی و تصویر دقیق به کار برده میشود. تبدیل موجک، هم اطلاعات فرکانس و هم اطلاعات زمانی را ارائه میکند. تبدیل موجک یک ابزاری میباشد که برای تعیین منطقهی با فرکانس پایین و منطقه با فرکانس بالا در تصویر I1F مورد استفاده قرار میگیرد. آن همچنین ویژگیهای ساختاری، هندسی، و جهتی تصویر مورفولوژیکی را برجسته میکند.
تصویر دقیق، مجددا ایجاد میشود و به تصویر فیلتر شده اضافه میشود تا لبههای توده را تیز کند. تصویر تیز سپس برای تقسیم بندی نواحی مشکوک توده مورد استفاده قرار می- گیرد. کلاسه بندی برای تقسیم بندی تصاویر به صورت نواحی همگن و استخراج ناحیهی مورد نظر - ROI - 6 اجرا میشود. خوشه بندی میانگینهای C فازی - FCM - 7 با الگوریتم آستانه بندی روی تصویر تیز اعمال میشود. الگوریتم جزء متصل برای استخراج ناحیهی تقسیم بندی شدهی مشکوک توده مورد استفاده قرار میگیرد. یک مجموعهای از ویژگیهای تامورا، و ویژگیهای مبتنی بر شکل و ویژگیهای - ثابتهای - لحظهای از هر منطقهی مشکوک تقسیم بندی شده استخراج میشود و بردار ویژگی ایجاد میشود. ماشین بردار پشتیبان - SVM - برای تقسیم بندی ناحیهی تقسیم بندی شده به صورت یک منطقهی غیرنرمال یا منطقهی نرمال مورد استفاده قرار میگیرد.
