پديد آورندگان :
قيومي زاده، حسين دانشگاه ولي عصر (عج) رفسنجان - گروه مهندسي برق , فياضي، علي دانشگاه ولي عصر (عج) رفسنجان - گروه مهندسي برق , بي نظير، بيتا دانشگاه زنجان - گروه مهندسي برق , يارقلي، مصطفي دانشگاه زنجان - گروه مهندسي برق
كليدواژه :
مدل ديناميك , ترموگرافي , سرطان پستان , استخراج ويژگي
چكيده فارسي :
مقدمه: ترموگرافي يك روش تصويربرداري غيرتهاجمي است كه ميتواند جهت تشخيص سرطان پستان مورد استفاده قرار گيرد. در اين مطالعه روشي جهت استخراج ويژگي‌هاي مناسب در تصاوير ديناميك ترموگرافي سينه ارائه شد. ويژگي‌هاي استخراج شده مي‌توانند جهت طبقه‌بندي تصاوير ترموگرافي به سرطاني و سالم كمك كننده باشند.
روش: در اين مطالعه توصيفي-تحليلي تصاوير از پايگاه داده پروژه آنلاين IC/UFF استخراج شد. تعداد افراد مورد بررسي 196، شامل 41 مورد سرطاني و 155 مورد سالم بودند. هر فرد داراي 10 تصوير ترموگرافي كه جمعاً تعداد تصاوير آناليز شده 1960 تصوير ترموگرافي بود. اين تصاوير با استفاده از دوربين FLIR ThermaCam S45 ضبط شد. مدل پيشنهادي بر اساس سلسله تصاوير ترموگرافي پستان يك فرد جهت استخراج 8 ويژگي مناسب ارائه شد. ويژگي‌هاي استخراج شده شامل ميانگين، انحراف معيار، آنتروپي، كورتوسيس، همگني، انرژي، اسكوئنس و واريانس است.
نتايج: عملكرد ويژگي‌هاي استخراج‌شده، توسط طبقه‌بندكننده‌هاي شامل درخت تصميم، ماشين بردار پشتيبان، تجزيه‌وتحليل متقارن درجه دوم و الگوريتم K -نزديك‌ترين همسايگي با استفاده از cross validation ده‌گانه مورد ارزيابي قرار گرفتند. مقادير دقت و حساسيت به ترتيب، بر اساس الگوريتم‌هاي درخت تصميم 99%، 99/33% و ماشين بردار پشتيبان 98/46%، 95/12% و تجزيه‌وتحليل متقارن درجه دوم 100%، 100% و الگوريتم K -نزديك‌ترين همسايگي 99%، 97/56% به‌دست آمد.
نتيجه‌گيري: نتايج نشان داد كه از ميان ويژگي‌هاي آماري مرتبه اول، ميانگين تفاوت، چولگي، آنتروپي و انحراف استاندارد ويژگي بسيار مؤثري هستند كه بيشتر به تشخيص عدم تقارن كمك مي‌كنند. ويژگي‌هاي استخراج‌شده با استفاده از مدل پيشنهادي مي‌توانند در طبقه‌بندي افراد سالم و سرطاني در تصاوير حرارتي بسيار كمك كننده باشند.
چكيده لاتين :
Introduction: Thermography is a non-invasive imaging technique that can be used to diagnose breast cancer.
In this study, a method was presented for the extraction of suitable features in dynamic thermographic images
of breast. The extracted features can help classify thermographic images as cancerous or healthy.
Method: In this descriptive-analytical study, the images were taken from the IC/UFF database. A total of 196
people, including 41 cancer patients and 155 healthy individuals were investigated. Each person had 10
thermographic images and in total, 1960 images were analyzed. The images were captured using the FLIR
ThermaCam S45 camera. The proposed model was presented based on a series of breast thermographic images
of an individual to extract 8 suitable features. The extracted features included mean, standard deviation,
entropy, kurtosis, homogeneity, energy, skewness, and variance.
Results: The extracted features were evaluated by the classifiers including the decision tree, support vector
machine, quadratic symmetric analysis, and K-nearest neighbor algorithm using the ten-fold cross validation.
The accuracy and sensitivity were 99% and 99.33% for decision tree algorithm, 98.46% and 95.12% for
support vector machine algorithm, 100% and 100%, and 99% and 97.56% for K-nearest neighbor algorithm.
Conclusion: The results of this study showed that among the first-order statistical features, mean difference,
skewness, entropy, and standard deviation are the most effective features which help to detect asymmetry. The
features extracted by the proposed model can help classify the individuals into healthy or cancer-affected by
thermal images.
