عنوان

بخش‌بندی و طبقه‌بندی تصاوير ماموگرافی با استفاده از روش‌های يادگیری ماشین

۴۸۵۲پ

فارسی

بخش‌بندی و طبقه‌بندی تصاوير ماموگرافی با استفاده از روش‌های يادگیری ماشین

[پایان نامه]

نگار پورارشدی

صنعتی سهند

۱۴۰۱

۹۱ص.

مصور، جدول، نمودار

CD

کارشناسی ارشد

مهندسی پزشکی- بیوالکتریک

۱۴۰۱/۱۱/۰۱

سرطان پستان، از جمله شایع‌ترین سرطان¬ها است که افراد جامعه به‌خصوص جامعه¬ی زنان به آن مبتلا می‌شوند. نرخ سنی بیماران در کشور ما شامل اقشار جوان‌تر هستند. همچنین بیماران در بسیاری از موارد به علت عدم داشتن آگاهی از علائم این بیماری در مراحل پیشرفته‌تر سرطان پستان مراجعه می‌کنند. هرچقدر این بیماری زودتر توسط پزشکان تشخیص داده شود، درمان بیمار آسان‌تر و هم موفقیت‌آمیزتر است. ماموگرافی یک روش غربالگری رایج برای بیماران بدون علامت محسوب می‌گردد که در نتیجه، میزان مرگ‌ومیر ناشی از سرطان پستان را 30 تا 70 درصد کاهش می‌دهد. در این تحقیق ابتدا توضیحات پیش نیاز برای آشنایی با مفاهیم مرتبط با سرطان پستان و ماموگرافی و انواع ماموگرافی ارایه گردیده است، سپس مروری بر مطالعات پیشین در زمینه ی انواع روش‌های مورد استفاده، پایگاه داده¬¬های متفاوت، حذف عضله سینه‌ای، بخش‌بندی و طبقه‌بندی تصاویر ماموگرافی ارائه شده است. در روش پیشنهادی از پایگاه داده¬ی اینبرست بهره برده شده است. ابتدا تصاویر اولیه برای انجام محاسبات، پیش پردازش شده‌اند. این رویه با تغییر قالب تصویر، حذف نویز، حذف پس‌زمینه، آرتیفکت‌ها و عضله¬ی پکتورال و جداسازی نمایه سینه ادامه داشته است. سپس با بررسی هیستوگرام تصویر، به بخش‌بندی مبتنی بر ناحیه تصاویر با استفاده از روش آستانه‌گذاری انطباقی در دو مرحله پرداخته شده است. در ادامه کیفیت تصویر بهبود داده شده است، سپس ضمن بررسی ماتریس هم رخداد سطح خاکستری به استخراج ویژگی با ماتریس مذکور پرداخته و طبقه‌بندی تصویر به‌وسیلة ماشین‌بردار ‌پشتیبان انجام شده است. در نهایت یک رابط ‌کاربر‌ی‌گرافیکی برای کل مجموعه طراحی گردیده است تا زمینة استفادة راحت و کاربردی از کار ارائه‌شدة خود فراهم شود. نتایج عددی به دست آمده از روش پیشنهادی به 92% حساسیت با نرخ FP برابر 67/2 در بخش¬بندی و در طبقه¬بندی به مقادیر صحت 82% و نرخ خطا 58/4 درصد دست یافته است.

Breast cancer is the most common cancer that people in society, especially women, are affected by. In our country, the patients are younger and have a lower age rate, and most times, because of the lack of awareness of the symptoms of the disease, they refer to more advanced stages. The earlier breast cancer is diagnosed, the easier and more successful it is to treat. Mammography is a common screening method for asymptomatic patients. As a result, the breast cancer death rate is reduced by 30 to 70%. This work presents a prerequisite explanation for getting to know the concepts related to breast cancer and mammography and the types of mammography. Then, an overview of previous studies according to the methods used, databases, pectoral muscle removal, segmentation, and classification of mammography images. In the proposed method, the INBreast database has been used. First, the primary images are pre-processed for calculations. This procedure has been continued by changing the image format, removing noise, removing the background, artifacts, and the pectoral muscle, and isolating the breast profile. Then, by analyzing the histogram of the image, region-based image segmentation has been done using the adaptive thresholding method in two steps. In addition, it has improved the quality of the image. Then, while examining the co-occurrence matrix of the gray level, we extract the feature with the mentioned matrix and classify the image using a support vector machine method. Finally, we define a graphical user interface for our work to provide comfortable and practical use of our presented work. The numerical results from the proposed method have reached 92% sensitivity, with an FP rate equal to 2.67 in segmentation and 82% accuracy, and a 4.58% of error rate in classification.

Segmentation and classification of mammography images using machine learning methods

سرطان پستان

روش آستانه‌گذاری انطباقی

رابط کاربری گرافیکی

ماتریس هم رخداد سطح خاکستری

سرطان پستان، ماموگرافی، روش آستانه‌گذاری انطباقی، طبقه‌بندی، ماتریس هم رخداد سطح خاکستری، رابط کاربری گرافیکی

Breast cancer, Mammography, Adaptive thresholding method, Classification, Gray level co-occurrence matrix, Graphical user interface

پورارشدی، نگار

شامخی

، سینا

، ۱۳۶۰ -

استاد راهنما

صنعتی سهند

ایران

دانشگاه صنعتی سهند

20230506

مهندسی پزشکی، ۱۰۰۸۴، ۱۴۰۱

p

TF

92029

a

Y