خوشه بندي و شناسايي كردن سرطان پستان توسط تصاوير حرارتي به كمك تركيب شبكه عصبي SOM وSVM

Clustering and Diagnosis of Breast Cancer via Thermal Images Using a Combination of SVM and SOM Neural Network

مقدمه: تصويربرداري مادون قرمز يك روش تصويربرداري غيرتهاجمي است كه به عنوان يك ابزار تشخيصي به كار مي رود. اين تحقيق تلاشي براي طبقه بندي كردن سرطان پستان به وسيله استخراج اطلاعات كمي و كيفي از تصاوير حرارتي و استخراج بهترين پارامترهاي تشخيصي از ميان كل پارامترهاي موجود به كمك شبكه هاي عصبي خود سازمانده در جهت شناسايي سرطان پستان است. موارد و روش ها: در روش پيشنهادي ابتدا از طريق شبكه هاي عصبي خود سازمانده به طبقه بندي كردن يك تصوير حرارتي مي-پردازيم و نواحي مشكوك را استخراج نموده سپس دوباره نواحي جداسازي شده را با الگوريتم دوم از شبكه SOM كه داراي ساختار متفاوت با الگوريتم اول است به طبقه بندي نمودن نواحي جداسازي شده قبلي مي پردازيم تا نهايتاً به دو كلاس طبقه بندي نماييم سپس وزن ها يا به عبارتي مراكز ايجاد شده اين دو كلاس به عنوان ويژگي هاي تشخيص به ماشين بردار پشتيبان SVM داده خواهد شد تا نمونه هاي سرطاني از غير سرطاني تفكيك گردد. نتايج: به وسيله الگوريتم پيشنهادي توانستيم به شناسايي سرطان پستان از روي تصاوير حرارتي دست يابيم مقدار كارايي (Performance) خروجي شبكه هاي ماشين بردار پشتيبان با نتايج ماموگرافي برابر 73/1 است كه نتيجه قابل ملاحظه اي صورت پذيرفته است. بحث و نتيجه گيري: نتايج اين تحقيق بيانگر آن است كه مدل تركيبي قادر است بهترين پارامتر تشخيصي را از روي تصاوير حرارتي استخراج نموده سپس توسط اين پارامترها به كلاس بندي و جداسازي تصاوير سرطاني از غير سرطاني با دقت بالا پرداخت.

Background: Infrared imaging is a noninvasive imaging technique that can be used as a diagnostic tool. This research is an attempt to classify breast cancer by extracting quantitative and qualitative information from thermal images and best diagnostic parameters among the existing ones to detect breast cancer using self-organizing neural networks. Materials and Methods: In the proposed method, first we classify a thermal image through a self-organizing neural network and extract suspicious regions. Then we classify again previous distinct areas with the second algorithm of SOM network, which has different structure from the first one, until we reach to a two-class classification. Afterwards, the weights or ,in other words, these classes centers will given into Support Vector Machine(SVM) as features to distinguish cancerous samples from noncancerous ones. Results: by the proposed algorithm we are able to detect breast cancer from thermal images. Output performance of support vector machine networks is 1.73 with mammography results, where the results have been remarkable. Conclusion: The results indicate that the hybrid model is able to extract best diagnostic parameters from the thermal images, and then we can classify and separate non-cancerous images with high precision by this parameter.