ارائه روشی برای تشخیص خودکار سرطان سینه با استفاده از ترکیب ویژگی های رنگ و بافت و دسته بندی شبکه عصبی

امروزه رایج ترین روش برای تشخیص سرطان سینه، تصویربرداری X-Ray است. علت آن نیز به صرفه بودن اقتصادی و قابل حمل بودن این تکنولوژی میباشد. وقتی که تشخیص سرطان سینه به صورت دستی انجام میشود، متخصصین تعیین کننده نتیجه هستند. در حالیکه، بکارگیری تکنیکهای پردازش تصویر، باعث بهبود کیفیت تصاویر و افزایش دقت رادیولوژیست میشود. تشخیص سرطان سینه یکی از مهمترین رویکردهای تسهیل کننده ارتباط میان انسان و ماشین و حیطه های فعال در حوزه علم پردازش تصویر است. در این مقاله روشی جدید برای شناسایی سرطان سینه بر پایه انتخاب ویژگی رنگ و بافت با استفاده از موجک گابور و دسته بندی با استفاده از شبکه عصبی ارائه گردید. در این روش دو دسته ویژگی مبتنی بر رنگ و بافت از تصویر استخراج شده و در ادامه جهت انتخاب ویژگیهای مهم از KPCA استفاده میگردد. در نهایت توسط شبکه عصبی و بر پایه ویژگیهای انتخاب شده توسط KPCA، تشخیص تومور انجام میشود. نتایج بدست آمده حاکی از عملکرد مطلوب روش ارائه شده از نقطه نظر دقت و صحت میباشد. نتایج صحت عملکرد روش پیشنهادی را در حد %94,67 و دقت را در حد %95,15 نمایش میدهد.

Keywords:

ماموگرافی , KPCA , شبکه عصبی , استخراج ویژگی , فیلتر گابور.