تشخيص سرطان سينه با استفاده از تبديل موجك پراكندگي و شبكه عصبي پرسپترون چند لايه سلسله مراتبي

Breast cancer Diagnosis using Wavelet Scattering Transform and Hierarchical Multilayer Perceptron Neural

سرطان سينه يكي از دلايل عمده و اصلي مرگ و مير زنان در دهه اخير بوده است. اگرچه اين نوع سرطان به دليل مشخص نبودن دلايل اصلي آن قابل پيشگيري نيست، اما تشخيص به موقع آن مي تواند شانس فرد را در بهبودي كامل افزايش دهد. ماموگرافي يك ابزار شناخته شده است كه به تشخيص زودهنگام اين بيماري كمك مي كند. تاكنون پژوهش هاي مختلفي براي تشخيص سرطان سينه ارائه شده است اما به دليل عدم انتخاب استخراج گري كه به خوبي بتواند ويژگي هاي بافت را استخراج كند و همچنين عدم استفاده از يك طبقه بند قوي نتوانستند به دقت كافي برسند. در اين پژوهش جهت استخراج ويژگي هاي مبتني بر بافت تصوير از تبديل موجك پراكندگي استفاده مي شود. استفاده از ويژگي هاي متعدد باعث مي شود تا حجم داده‌هاي ورودي براي طبقه‌بندي كننده بالا رفته، از اين ‌رو نياز است كه ابعاد ويژگي ها به سبكي مناسب كاهش يابد، براي اين منظور از الگوريتم آناليز اجزاي اصلي و آناليز تفكيك استفاده شده است. در انتها از طبقه ‌بند شبكه عصبي پرسپترون چند لايه به صورت سلسله مراتبي، براي طبقه بندي سرطان استفاده مي شود. براي ارزيابي روش پيشنهادي، از مجموعه تصاوير Mini-MIAS استفاده مي شود و به دقت 57/97 درصد رسيده ايم.

Breast cancer has been the most commonly diagnosed cancer and the leading cause of cancer death in women in the last decade. Although the prevention of this kind of cancer is not completely feasible since the major causes of this disease are unknown yet, early detection of this cancer can increase the chance of survival. Although, there are many different methods for diagnosis of breast cancer by mammogram images, these methods have not been very successful in diagnosis because of not using proper classifier and also proper extractors in order to extract the tissue features perfectly. In this paper, we use features based on image tissue such as scattering wavelet transform. Using various characteristics to have images with high qualities increase the amount of the input data and in result makes the classification very challenging. Therefore, it is necessary to reduce the size of the features appropriately and to improve the accuracy of the classification. To achieve this, after the extracting of the features, in order to reduce the problem’s size and to improve the accuracy of the classification, we use the principle component Analysis and the linear discriminant analysis. At the end, we use the hierarchy Multi Layer Perceptron Neural Network classification in order to improvement of the accuracy in compare to the past achievements. For further evaluation of the proposed method, we use the Mini-MIAS image collection and reaches to the accuracy of 97.57 percent.