شناسايي سرطان پستان مبتني بر آناليز عدم تقارن با استفاده از ويژگي هاي احتمالي طيفي در تصاوير ترموگرافي

Breast Cancer Detection Based on Asymmetry Analysis Using Spectral Probable Feature on Thermography Images

چكيده مقدمه: ترموگرافي يك روش تصويربرداري غيرتهاجمي، بدون درد، بدون تماس و سريع است كه توده هاي پستان را بسيار زودتر از روش رايج ماموگرافي شناسايي مي كند. هدف ما جداسازي خودكار تصاوير ترموگرافي پستان بر اساس آناليز عدم تقارن و با استفاده از ويژگي هاي طيفي آنها است. روش بررسي: در اين مطالعه، يك الگوريتم جديد جهت شناسايي سرطان پستان بر اساس ويژگي هاي احتمالي طيف ارايه شده است. ابتدا از ماتريس هاي هم رخدادي جهت استخراج ويژگي هاي هم رخدادي از طيف تصاوير استفاده شده است. اما اين ماتريس ها به تنهايي قادر به استخراج ويژگي هاي موثري از طيف نيستند، لذا با معرفي بردار هم رخداد در اين مقاله، ويژگي-هاي كارآمدي همچون ويژگي هاي احتمالي و جهتي از طيف تصاوير استخراج مي شود. با استفاده از آناليز عدم تقارن، بردار هم-رخداد استخراج شده از پستان راست و چپ هر نمونه با يكديگر مقايسه شده اند و احتمال غير نرمال بودن نمونه با كاهش ميزان شباهت آن دو بردار افزايش مي يابد. روش پيشنهادي ما با استفاده از معيارهاي شباهت مختلفي ارزيابي شده است. يافته ها: نتايج نشان داد كه معيارهاي شباهت فاصله اقليدسي و همبستگي به ترتيب كمترين و بيشترين تعداد خطا را در آناليز عدم تقارن داشته اند. به طوري كه نتيجه استفاده از ماتريس ها هم رخدادي و دو معيار شباهت مذكور نشان دهنده تعداد 4 و 11 خطا در شناسايي تصاوير بوده در حالي كه با استفاده از روش پيشنهادي ما اين تعداد خطا به ترتيب به 2 و 8 خطا كاهش يافته است. نتيجه گيري: استفاده از بردار هم رخدادي به جاي ماتريس هاي هم رخدادي كه در اين مقاله معرفي و استفاده شده است، ابزاري مناسب جهت استخراج ويژگي هاي احتمالي از طيف تصاوير ترموگرافي است. واژه هاي كليدي: ترموگرافي پستان، شناسايي سرطان پستان، آناليز عدم تقارن، طيف تصاوير، ويژگي هاي احتمالي طيفي.

Abstract Background: Thermography is a noninvasive, non-contact, fast, and painless imaging technique that is able to detect breast tumors much earlier than the traditional mammography and our aim is automatic classification of normal from abnormal breast thermography based on asymmetric analysis and use of their spectral features. Methods: In this paper, a novel breast cancer detection algorithm based on spectral probable features is proposed to separate healthy and pathological cases during breast cancer screening. Gray level co-occurrence matrix is made from image spectrum to obtain spectral co-occurrence feature. However, this feature is not sufficient separately. To extract directional and probable features from image spectrum, this matrix is optimized and defined as a feature vector. By asymmetry analysis, left and right breast feature vectors are compared in which certainly, more similarity in these two vectors implies healthy breasts. Our method is implemented on various breast thermograms that are generated by different thermography centers. Our algorithm is evaluated on different similarity measures such as Euclidean distance, correlation and chi-square. The obtained results show effectiveness of our proposed algorithm. Results: The results showed that Euclidean distance and Correlation had the highest and lowest number of errors respectively. With use gray level co occurrence and two similarity measures mentioned the number of errors was 4 and 11, while these numbers of errors are reduced to 2 and 8 in our proposed method. Conclusion: The use of co-occurrence vector instead of co-occurrence matrix that is introduced in this paper is a suitable tool for probable feature extraction from spectrum of the thermography image. Keywords: Breast thermogram, Breast cancer detection, Asymmetric analysis, Image spectrum, Spectral probable feacture.