معرفي يك سيستم هوشمند دقيق براي جداسازي تصاوير ماموگرافي بر اساس ميزان چگالي بافت ها و توده ها

A Novel Smart System for Mammographic Image Classification Based on Breast Density

چكيده مقدمه: سرطان پستان يكي از شايع ترين بيماري هاي زنان است. شناسايي و تشخيص زود هنگام اين بيماري مي تواند در درمان آن بسيار موثر باشد. ماموگرافي در حال حاضر از موثرترين روش هاي تشخيص بيماري سرطان پستان است. دسته بندي و جداسازي تصاوير مشابه بر اساس نوع توده ها و بافت هاي موجود در آن مي تواند در تفكيك و تشخيص بيماري بسيار موثر باشد. دقت در جداسازي ويژگي ها يك فاكتور مهم در طبقه بندي، كلاس بندي و بازيابي تصاوير است. روش بررسي: ما با توجه به تصاوير ماموگرافي به تشخيص توده هاي موجود در تصاوير اقدام مي كنيم. در اين كار بدون نياز به تشخيص ناظر، نرم افزار تصاوير مشابه را به طور كامل و دقيق شناسايي كرده و آنها را به صورت مجزا در دسته هاي مختلف نمايش مي دهد. در اينجا مدلي براي كاهش اطلاعات موجود در تصاوير بر اساس آناليز اجزا اوليه به صورت دو بعدي دو جهتي ارايه شده است كه مي تواند با كاهش داده هاي اضافي موجود در تصاوير ماموگرافي به دقت و سرعت دسته بندي تصاوير كمك كند. پس از انجام كاهش داده ها، به كمك ماشين بردار پشتيبان با تابع شعاعي به طبقه بندي و بازيابي تصاوير پرداخته شده است. يافته ها: اين مدل مي تواند براي تحليل و دسته بندي تصاوير ماموگرافي در حجم بالا مورد استفاده قرار گيرد. بر اساس مدل پيشنهادي، تصاوير داراي چگالي بالا و احتمال وجود توده هاي سرطاني در دسته هاي مجزا از تصاوير كم خطرتر قرار مي گيرند و بدين وسيله جداسازي و آناليز تصاوير در دسته هاي مختلف امكان پذير مي شود. نتيجه گيري: مدل ارايه شده در اين پژوهش، بر روي پايگاه داده جامعه تحليل تصاوير ماموگرافي MIAS تست شده است. دقت ميانگين نتايج در حدود 90 % قرار گرفته است كه نشان دهنده دقت بالاي مدل ارايه شده است. در نهايت نتايج شبيه سازي مدل پيشنهادي با ساير گزارشات معتبر مقايسه شده است تا كارايي مدل پيشنهادي به وضوح ديده شود. واژه هاي كليدي: تصاوير ماموگرافي، چگالي توده ها، استخراج ويژگي و دسته بندي.

Background: Breast cancer is a widespread disease in women. Early detection of breast cancer is an important factor in cancer treatment. Mammography is the main screening tool for cancer detection and image classification and retrieval based on masses type and texture can help radiologist for better diagnosis. Accuracy in the feature extraction is an important factor in classification and image retrieval. Materials and Methods: In this paper, a breast tissue density classification model is studied. In the proposed method, a smart system classifies the similar mammographic images into the same classes. The system can help the radiologists to reduce the diagnose errors. In this system, the two-directional two-dimensional principal component analysis has been used for feature extraction and dimension reduction of the mammographic images and a support vector machine has been used for image retrieval. Results: The proposed model can be used for mammographic images analysis in the large database. The system can separate the breasts with extremely dense from the normal breasts. Thus, image analysis can be simply done in the various classes. Conclusion: The model is tested on the Mammographic Image Analysis Society (MIAS) database. The average precision rates of the model are about 90%. The proposed model results are compared with the results of other valid literature in a table for better analysis. Keywords: Mammographic Images, Mass Density, Feature Extraction and Classification.