معرفي يك سيستم هوشمند براي تشخيص دقيق سرطان پستان

An Accurate Intelligent Breast Cancer Diagnosis System

مقدمه: تشخيص به‌موقع سرطان پستان به‌طور چشمگيري مرگ ومير ناشي از آن را در جامعه زنان كاهش مي‌دهد. آزمايش آسپيراسيون سوزني (FNA) روشي ساده، ارزان و غيرتهاجمي براي تشخيص دقيق و زودهنگام اين سرطان است كه امروزه تلاش مي شود به‌صورت هوشمند و ماشيني انجام گيرد. روش بررسي : مراحل ايجاد يك سيستم هوشمند براي تشخيص سرطان پستان عبارت‌اند از: ثبت تصاوير ميكروسكوپيك از نمونه FNA، استخراج ويژگي هاي عددي از اين تصاوير، انتخاب ويژگي هاي تفكيك كننده و طراحي و آزمايش طبقه بندي كننده مناسب. در اين تحقيق از ويژگي هاي آماده پايگاه داده WDBC كه شامل 569 نمونه FNA مي باشد، استفاده شد. براي انتخاب ويژگي روش جديدي مبتني بر الگوريتم بهينه سازي ذرات دودويي (BPSO) ارايه شد و سرانجام تلفيقي از طبقه بندي كننده هاي SVM براي كلاس بندي نمونه ها به‌كار گرفته شد. يافته ها: سيستم پيشنهادي با استفاده از 28 ويژگي در قالب 5 مدل SVM به دقت شناسايي 100% دست يافت. اين سيستم از لحاظ دقت و تعداد ويژگي‌هاي مورد نياز بر سيستم هاي موجود برتري دارد. نتيجه گيري: اين تحقيق با ارايه يك الگوريتم انتخاب ويژگي كارآمد موفق شده است دقت شناسايي سيستم هاي تشخيص سرطان پستان را بهبود دهد. اين در حالي است كه نسبت به سيستم هاي مشابه از تعداد كمتري ويژگي استفاده شده است. از ديگر مزيت هاي انتخاب ويژگي اين است كه علاوه بر تشخيص كلي، تشخيص ناهنجاري هاي ناشي از بيماري را نيز ممكن مي سازد.

Background: Early detection of the breast cancer can significantly increase survival rate among women. Nowadays, researchers aim to automatize fine needle aspiration (FNA), as a simple, non- expensive and non-invasive test for breast cancer diagnosis. Materials & Methods: Intelligent diagnosis of breast cancer consists of 5 steps: fluid extraction from the breast lump, capturing digital microscopic images from the samples, extracting morphological real-valued features from the images, feature selection and designing a pattern recognition system to distinguish between benign and malignant tumors. Using WDBC database (including 569 FNA samples), a novel BPSO-based feature selection method and SVM classifiers an intelligent breast cancer diagnosis system is developed. Results: Merit of the proposed system is successfully certified on WDBC dataset leading to recognition rate of % 100 using only 28 features (in 5 SVM models). The system clearly outperforms previous works in both respects of accuracy and the number of required features. Conclusion: Developing a novel efficient feature selection algorithm can improve both accuracy and speed of intelligent breast cancer diagnosis systems. In addition to general diagnosis, using feature selection would help physicians discovering abnormalities caused by diseases.