ارايه يك سيستم كمكي كامپيوتري خودكار جهت تشخيص خوش‏خيمي و بدخيمي توده‏ها در تصاوير ماموگرافي

Assessment of a Novel Computer Aided Mass Diagnosis System in Mammograms

مقدمه: ماموگرافي رايج‏ترين روش غربالگري براي تشخيص سرطان پستان است. در اين مقاله يك سيستم كمكي براي تشخيص خوش‏خيمي و بدخيمي توده‏ها ارايه شده است.روش بررسي: در اين روش ابتدا با استفاده از حذف نويز و افزايش وضوح تصوير، توده‏ها را آماده بخش‏بندي مي‏كنيم. سپس با استفاده از يك الگوريتم جديد بر مبناي رشد ناحيه، توده مورد نظر را بخش‏بندي كرده و ويژگي‏هاي از بافت و مرز آن استخراج مي‏كنيم. در ادامه با استفاده از يك معماري نوين رده‏بندهايي را با يكديگر تركيب كرده و از اين رده‏بند مركب جهت دسته‏بندي خوش‏خيمي و بدخيمي توده‏ها بهره مي‏گيريم. يافته‏ها: اين سيستم بر روي دو پايگاه داده مورد ارزيابي قرار گرفته است و نتايج حاصل نشان‏دهنده اين است كه سيستم كمكي پيشنهادي از لحاظ دقت كاملاً قابل رقابت با سيستم‏هاي مدرن موجود مي‏باشد. دقت حاصل شده در پايگاه دادهMIAS برابر با 93% و در پايگاه داده DDSM برابر با 90% بوده است. نتيجه‏گيري: به طور كلي مي‏توان نوآوري‏هاي موجود در اين مقاله را در معرفي يك سيستم خودكار تطبيقي بر مبناي الگوريتم رشد ناحيه جهت بخش‏بندي توده‏ها، استفاده از توصيف‏گرهاي مبتني بر تجزيه مود ذاتي و معرفي يك معماري جديد براي تركيب رده بندها استفاده كرد.

Abstract Introduction: Mammography is the most common modality for screening breast cancer. In this paper a computer aided system is introduced to diagnose benignity and malignancy of masses. Methods: In the first step of the proposed method, masses are prepared for segmentation using a noise reduction and contrast enhancement technique. Afterwards, a region of interest is segmented using a new adaptive region growing algorithm, and boundary and texture features are extracted to form its feature vector. Consequently, a new robust architecture is proposed to combine weak and strong classifiers to classify masses. Finally, the proposed mass diagnosis system was also tested on miniMIAS and DDSM databases. Results: The obtained results indicate that the proposed system can compete with the stateoftheart methods in terms of accuracy. Conclusion: The novelties of the proposed system can be summarized as presenting a new automatic adaptive region growing algorithm to extract boundary of masses, using descriptors based on empirical mode functions, and introducing a new framework for combing classifiers.