بهبود تشخيص خودكار توده هاي خوش خيم و بدخيم در تصاوير فراصوت پستان با استفاده از يك روش قطعه بندي بهينه

Improving the automatic diagnosis of benign and malignant masses in breast ultrasound images using an optimal segmentation method

سرطان پستان شايع ترين نوع سرطان در جمعيت زنان جهان است. تشخيص زودهنگام و درمان موثر با هدف كاهش مرگ و مير ناشي از اين بيماري، از طريق روش هاي غربالگري انجام مي شود. تصويربرداري فراصوت(اولتراسوند) به دليل ماهيت غيرتهاجمي و مزاياي آن نسبت به ساير روش هاي تشخيصي، از مهم ترين و مؤثرترين روش هاي شناسايي و تشخيص اين بيماري است. به منظور بهبود عملكرد تشخيص، سيستم هاي تشخيص كمك رايانه‌اي معرفي شدند. در اين پژوهش يك سيستم تمام خودكار شناسايي و تشخيص سرطان پستان ارائه شده است كه متشكل از چهار مرحله اصلي است: پيش‌پردازش تصوير در دو گام جهت برجسته تر كردن نواحي كم پژواك(هايپواكو) و با هدف انتخاب نقطه بذر و ناحيه مطلوب و همچنين حذف نويز با استفاده از فيلتر ميانگين هاي غير محلي، قطعه بندي با بهره گيري از اطلاعات مكاني و فركانسي تصوير و بهبود آن با استفاده از الگوريتم بهينه سازي ژنتيك، استخراج مجموعه اي شامل 21 ويژگي مبتني بر شكل و مرز و در نهايت طبقه بندي با ا ستفاده از طبقه بند ماشين بردار پشتيبان به منظور تفكيك توده ها به دو گروه خوش خيم و بدخيم. نتايج ارزيابي هاي صورت گرفته بر روي تصاوير پايگاه هاي داده مختلف ميزان دقت بيش از 95/5 % را نشان داد.

Breast cancer is the most common type of cancer in the female population of the world. Early diagnosis and effective treatment with the aim of reducing mortality from this disease is done through screening methods.Ultrasound imaging is one of the most important and effective methods for the detection and diagnosis of this disease due to its non-invasive nature and its advantages over other diagnostic methods.Computer aided diagnosis systems were introduced to improve diagnostic performance. In this study, a fully automated breast cancer detection and diagnosis system is presented, which consists of four main steps: Image preprocessing in two steps to highlight the low echo areas (Hypo echo) and with the aim of selecting the seed point and the region of interest. As well as noise removal using non-local means filter, segmentation using image spatial and frequency information and improving it using genetic optimization algorithm, extracting a set containing 21 features based on shape and boundary Finally, the classification using the support vector machine classifier in order to separate the masses into benign and malignant groups. The results of evaluations performed on images of different datasets showed an accuracy of more than 95.5%.