ﺗﺸﺨﯿﺺ ﺳﺮﻃﺎن ﺳﯿﻨﻪ از روي رﯾﺰداﻧﻪﻫﺎي ﮐﻠﺴﯿﻢ در ﺗﺼﻮﯾﺮ ﻣﺎﻣﻮﮔﺮاﻓﯽ ﺑﻪ ﮐﻤﮏ ﺧﻮﺷﻪﺑﻨﺪي ﻓﺎزي و ﺷﺒﮑﻪﻫﺎي ﻋﺼﺒﯽ

Detection of Breast Cancer from Calcium Particles in Mammography Using Fuzzy Clustering and Neural Networks

تشخيص ريزدانه‌هاي كلسيم در تصاوير ماموگرافي سينه در تشخيص زودهنگام سرطان از اهميت زيادي برخوردار‌است. شناسايي اين ريزدانه‌ها به‌طور دستي و توسط افراد متخصص انجام مي‌گيرد كه با هزينه بالا و خطا همراه است. در اين مقاله يك روش جديد مبتني بر الگوريتم خوشه‌بندي فازي براي شناسايي ريزدانه در تصاوير ماموگرافي پيشنهاد شده است. در روش پيشنهادي كيفيت پايين تصاوير ماموگرافي به كمك پيش‌پردازش بهبود داده ‌مي‌شود. با تعريف يك تابع عضويت مناسب در خوشه‌بندي فازي، نواحي ريزدانه شناسايي ‌شده‌اند. دقت و حساسيت ناحيه مطلوب داراي ريزدانه شناسايي‌شده با ناحيه‌اي كه توسط پزشك استخراج‌شده مقايسه شده است. دقت شناسايي ناحيه مطلوب 96/79 درصد و حساسيت اين شناسايي 97/20 درصد به‌دست‌ آمده است كه نسبت به روش قبلي دقت و حساسيت شناسايي ريزدانه بهبود پيدا كرده است (دقت شناسايي ناحيه مطلوب 95 در صد و حساسيت 90/52 در صد). در ادامه به كمك شبكه عصبي انتشار به جلو با الگوريتم آموزشي پس انتشار خطا، به طبقه‌بندي نواحي استخراج‌شده به دو دسته خوش‌خيم و بدخيم پرداخته‌شده است. معيارهاي دقت شناسايي، حساسيت، نرخ اخباري مثبت و منفي براي ارزيابي دقت تشخيص خوش‌خيم و بدخيم بودن ريزدانه به كار گرفته شد. دقت شناسايي 97/50 درصد، حساسيت98/13 درصد، نرخ اخباري مثبت 98/30 درصد و منفي96/32 درصد، بيان‌كننده نتايج مطلوب از روش پيشنهادي در اين مقاله است. دليل برتري روش پيشنهادي دقت بالا در استخراج ناحيه مورد نظر و همچنين ويژگي هاي متمايز استخراج شده از ناحيه مورد نظر است.

Detection of calcium particles in breast mammography images is important in the early detection of cancer. Identification of these particles is done manually by experts, which is associated with high cost and error. In this paper, a new method based on fuzzy clustering algorithm for fine-grained detection in mammographic images is proposed. In the proposed method, the low quality of mammographic images is improved with the help of preprocessing. By defining an appropriate membership function in fuzzy clustering, fine-grained regions are identified. Finally, the identified areas were classified into benign and malignant groups with the help of forward propagation neural network with error propagation training algorithm. The accuracy of identification of the desired area is 96.79% and the sensitivity of this identification is 97.20%. Compared to the previous method, the accuracy and sensitivity of fine-grained identification has been improved (95% of the desired area identification accuracy and 90.52% sensitivity). In the classification of areas with the help of neural network, the accuracy was 97.5%. Evaluation criteria showed the superiority of the proposed method in the extraction of calcium particles and classification. The reason for the superiority of the proposed method is the high accuracy in extracting the desired area as well as the distinctive features extracted from the desired area