تشخیص سرطان پستان مبتنی بر طبقه بندی کننده SVM و الگوریتم بهینه سازی خفاش
عنوان مقاله: تشخیص سرطان پستان مبتنی بر طبقه بندی کننده SVM و الگوریتم بهینه سازی خفاش
شناسه ملی مقاله: MECALIABAD01_009
منتشر شده در اولین کنفرانس ملی مهندسی پزشکی،مهندسی برق و کامپیوتر با محوریت اندازه گیریهای پزشکی-زیستی در سال 1394
شناسه ملی مقاله: MECALIABAD01_009
منتشر شده در اولین کنفرانس ملی مهندسی پزشکی،مهندسی برق و کامپیوتر با محوریت اندازه گیریهای پزشکی-زیستی در سال 1394
مشخصات نویسندگان مقاله:
فریده همتی - دانشجوی کارشناسی ارشد دانشگاه هرمزگان
احمد حاتم - استادیار دانشگاه هرمزگان
خلاصه مقاله:
فریده همتی - دانشجوی کارشناسی ارشد دانشگاه هرمزگان
احمد حاتم - استادیار دانشگاه هرمزگان
تشخیص به موقح سرطان پستان به طور چشمگیری مرگ و میر ناشی از آن را در جامعه زنان کاهش می دهد. آزمایش آسپیراسیون سوزنی(FNA ) روشی ساده ، ارزان و غیرتهاجمی برای تشخیص دقیق و زودهنگام این سرطان است که امروزه تلاش می شود به صورت هوشمند و ماشینی انجام گیرد. مراحل ایجاد یک سیستم هوشمند برای تشخیص سرطان پستان عبارت اند از: ثبت تصاویر میکروسکوپیک از نمونه FNA، استخراج ویژگی های عددی از این تصاویر، انتخاب ویژگی های تفکیک کننده و طراحی و آزمایش طبقه بند مناسب. در این تحقیق از ویژگی های آماده پایگاه داده WDBC که شامل569 نمونهFNA می باشد، استفاده شد. برای انتخاب ویژگی روش جدیدی مبتنی بر الگوریتم بهینه سازی خفاش دودویی (BBAT) اراثه شد و سرانجام تلفیقی از طبقه بندهای SVMبرای کلاس بندی نمونه ها به کار گرفته شد. سیستم پیشنهادی با استغاده از 17 ویژگی در قالب ۵ مدل SVMبه دقت شناسایی 99% دست یافت.این سیستم از لحاظ دقت و تعداد ویژگی مورد نیاز بر سیستم های موجود برتری دارد.این تحقیق با اراثه یک الگوریتم انتخاب ویژگی کارآمد موفق شده است دقت شناسایی سیستم های تشخیص سرطان پستان را بهبود دهد. از دیگر مزیت های انتخاب ویژگی این است که علاوه بر تشخیص کلی، تشخیص ناهنجاری های ناشی از بیماری را نیز ممکن می سازد.
کلمات کلیدی: تشخیص سرطان پستان، نمونه برداری با سوزن ظریف (FNA) ، انتخاب ویژگی، بهینه سازی خفاش (BBAT )، ماشین بردار پشتیبان (SVM)
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/460930/