Subclass Fuzzy-SVM Classifier as an Efficient Method to Enhance the Mass Detection in Mammograms

سرطان سينه يكي از شايع ترين بيماريها در زنان و دومين مسبب مرگ در آنها مي باشد. تشخيص زود هنگام اين تومورهاي سرطاني در درمان آن تاثير بسزايي دارد. اين پژوهش به معرفي چندين دسته بند مناسب و نيز استفاده از ضرايب contourlet در تشخيص سرطان سينه در تصاوير ماموگرافي مي پردازد. جهت انجام اين مهم سه مرحله در نظر گرفته شده است. ابتدا حذف قسمتهاي اضافي تصوير، بهبود كيفيت آن و استخراج نواحي مشكوك صورت گرفته است. سپس ويژگي هاي مناسب بر اساس ضرايب contourlet، ماتريس هم اتفاقي و هندسه نواحي مشكوك استخراج شده است. در انتها با استفاده از چندين دسته بند جديد بر اساس منطق فازي به تشخيص نواحي سرطاني پرداخته شده است. اگرچه دسته بندهاي فازي از قدرت بيان بالايي برخوردارند، اما معمولا كليت كمتري نسبت به برخي دسته بندها دارند. در اين تحقيق از قدرت بالاي SVM در دسته بندي در ابعاد بالاتر، ايده subclass و نيز منطق و استدلال شبيه به انسان در دسته بندهايnero-fuzzy در برخورد با موارد عدم قطعيت جهت ارايه يك دسته بند مفيد تر استفاده شده است. اين مراحل بر روي تصاوير ماموگرافي پايگاه داده MIAS اعمال شده است. نتايج به ترتيب دقت 95.6%، 91.52%، 89.02% و 85.31% را براي دسته بندهاي subclass FSVM،SVFNN، fuzzy rule based و kernel SVM نشان ميدهد. همان گونه كه ملاحظه ميشود، subclass FSVM در مقايسه با ديگر دسته بندها نتيجه بهتري را ارايه داده است. در پايان يادآور مي شويم كه از نكات برجسته اين مقاله به كارگيري ويژگي هاي بافت بر اساس ضرايب contourlet و نيز بهره گيري از دسته بندهاي قوي بر پايه Fuzzy SVM بوده است.

This paper is concerned with the development of a novel classifier for automatic mass detection of mammograms, based on contourlet feature extraction in conjunction with statistical and fuzzy classifiers. In this method, mammograms are segmented into regions of interest (ROI) in order to extract features including geometrical and contourlet coefficients. The extracted features benefit from the superiority of the contourlet method to the state of the art multi-scale techniques. A genetic algorithm is applied for feature weighting with the objective of increasing classification accuracy. Although fuzzy classifiers are interpretable, the majority are order sensitive and suffer from the lack of generalization. In this study, a kernel SVM is integrated with a nero-fuzzy rule-based classifier to form a support vector based fuzzy neural network ( SVFNN). This classifier benefits from the superior classification power of SVM in high dimensional data spaces and also from the efficient human-like reasoning of fuzzy and neural networks in handling uncertainty information. We use the Mammographic Image Analysis Society (MIAS) standard data set and the features extracted of the digital mammograms are applied to the fuzzy-SVM classifiers to assess the performance. Our experiments resulted in 95.6\%,91.52\%,89.02\%, 85.31\% classification accuracy for the subclass FSVM, SVFNN, fuzzy rule based and kernel SVM classifiers respectively and we conclude that the subclass fuzzy-SVM is superior to the other classifiers.