یک سیستم هوشمند برای شناسایی سرطان سینه به روش توپولوژی ANN

این مقاله یک روش هوشمند برای شناسایی سرطان سینه (ISIBC)1 براساس روش های پردازش تصویر و طبقه بندی کننده یا کلاسه بندی کننده عصبی ارایه میکند.(ANN)2 اخیرا، محققان بسیاری سیستم های طبقه بندی تصویر برای طبقه بندی تومورهای سینه با استفاده از روش های پردازش و طبقه بندی تصویر مختلف توسعه داده اند. چالش استخراج عوارض حقیقی تصویر میباشد که تومورهای خوشخیم و بدخیم را متمایز می-کنند. در این مقاله، استخراج عوارض شکل و زمینه تصاویر برای طبقه بندی تصاویر سرطان سینه در نظر گرفته شده اند. عوارض زمینه با استفاده از الگوریتم 3GLCM استخراج شده اند در حالی که عوارض شکل مستقیما از تصاویر استخراج گردیدند. در این مقاله، تقارن، گردشدگی و سطوح شدت به عنوان مشخصه های شکل تصاویر تعیین شده اند. میانگین، انحراف معیار، انتروپی و یکنواختی به عنوان عوارض زمینه تصاویر تعیین گردیدند. این دو عارضه (شکل و زمینه) اجازه تمایز دو نوع تومور سینه را میدهند. بعد از فرایند استخراج عارضه، شبکه های عصبی برای طبقه بندی تصاویر استفاده شدهاند. روش های پردازش تصویر مختلف به منظور تشخیص تومور و استخراج منطقه مورد نظر از ماموگرام ها استفاده شده اند. عملیات های پردازش داده برای استخراج تومورها انجام شدند. آستانه گذاری، فیلترینگ، تعدیل ها (تنظیم ها)، تشخیص لبه منطقی و برخی عملیات های مورفولوژیکی. تصاویر سینه استفاده-شده از یک پایگاه داده عمومی در دسترس در اینترنت به دست آمدهاند که حاوی تصاویر ماموگرافی (4DDSM) میباشد. نتایج تجربی، نرخ شناسایی 92 درصد را نشان میدهند.

Keywords:

سرطان سینه , تومور خوشخیم , تومور بدخیم , زمینه , تشخیص لبه عاقل , عملیات های مورفولوژیکی , GLCM