تشخيص سرطان پستان بر اساس استخراج ويژگي با استفاده از تركيب الگوريتم خوشه بندي و الگوريتم ماشين بردار پشتيبان

Diagnosis of breast cancer based on feature extraction using a hybrid of clustering algorithm and SVM

تشخيص بيماريها يكي ازموارد مهم درعلم پزشكي ميباشد و يكي ازكاربردهاي مهم داده كاوي مربوط به تشخيص بيماريها درعلم پزشكي مي باشد. هدف از اين پژوهش، تشخيص سرطان پستان بر اساس ويژگي هاي استخراج شده تومور مي باشد. براي استخراج اطلاعات مفيد و تشخيص تومور، تركيبي از الگوريتم هاي كاميانگين و ماشين بردار پشتيبان (K-SVM) توسعه پيدا كرده است. الگوريتم كاميانگين براي شناسايي الگوهاي پنهان تومور هاي خوش خيم و بد خيم به طور جداگانه استفاده شده است. عضويت هر تومور در اين الگوها محاسبه شده و به عنوان يك ويژگي جديد در مدل آموزش تلقي شده است. سپس از الگوريتم ماشين بردار پشتيبان جهت دسته بندي تومورهاي متفاوت دريافتي استفاده مي شود. از مجموعه داده هاي مركز تشخيص سرطان پستان ويسكانزين (WDBC) كه در مخزن يادگيري ماشين دانشگاه كاليفرنيا-ايروين قرار دارد، استفاده شده است . نتايج نه تنها توانايي روش پيشنهادي با دقت 95.2 درصد در تشخيص سرطان پستان را نشان مي دهد، بلكه صرفه جويي در زمان در مرحله آموزش را نيز نشان مي دهد.

Diagnosing of illnesses is considered as one important issue in the medical science, and diagnose of illness is among the key usages of data mining. The aim of this study is diagnose of breast-cancer, using the extracted characteristics of tumor. A combination of k-means algorithms and k-SVM has been developed in this study for extracting the suitable information and diagnosing the tumor. The K-means algorithm is used for determining the covert patterns of benign and malignant tumors independently. The membership of each tumor is measured in these patterns and being considered as a new property in teaching model. Then, k-SNM is used, for classifying different tumors. A database was used from Wisconsin diagnosing breast-cancer center (WDBC) located in learning repository of California -Irvin University to make sure the validity of the prosed algorithm. The results of this study indicate the ability of suggested methodology in diagnosing the breast cancer. The accuracy of this method to diagnose the tumors is about 95.2%. Also, it indicates saving time, in teaching level compare to the similar methods of data mining.