طراحي الگوريتم شبكه دسته‌بندي دو مرحله‌اي جهت تشخيص سرطان خون نوع لوسمي لنفوسيتي حاد (ALL) در تصاوير لام خون

Designing A Two-Stage Classification Network Algorithm for Acute Lymphocytic Leukemia Diagnosis in Blood Lamella Images

زمينه و هدف: تشخيص سرطان خون كار بسيار دشواري است، به همين دليل نياز به استفاده از تكنيك‌‌هاي پردازش تصوير مي‌باشد. هدف اصلي اين تحقيق، ارائه سيستمي بر پايه مدل‌‌هاي هوشمند بود كه بتواند دقت سيستم تشخيصي را در زمينه سرطان خون نوع لوسمي حاد ارتقا بخشد. مواد و روش‌ها: تصاوير تهيه شده در اين پژوهش از پايگاه داده University Degli Studi Dimilan استخراج و در فضاي نرم‌افزار MATlab 2014a پردازش شد. در اين تحقيق از روش Fuzzy-Cmeans در بخش قطعه بندي و از تكنيك‌‌هاي مبتني بر شبكه‌‌هاي عصبي و ماشين بردار پشتيبان در بخش شبكه‌‌هاي دسته‌بندي‌كننده استفاده شد. ملاحظات اخلاقي: در اين مطالعه، تمامي اصول اخلاق در پژوهش رعايت شده است. يافته‌ها: با استفاده از انتقال تصوير اوليه به چهار فضاي RGB، HSV،Lab و Enhanced RGB داده‌‌هاي مربوط به ويژگي‌‌‌ها استخراج شد. داده‌‌هاي به‌دست آمده از مرحله قبل وارد شبكهSVM شد و سپس شبكه داده‌‌هاي نرمال را از داده‌هاي غيرنرمال جداسازي كرد. نتايج حاصل از مقايسه خروجي روش پيشنهادي با روش‌‌هاي آموزشي مختلف، بيشترين ميانگين دقت برابر با مقدار 7/95 درصد را نشان داد. نتيجه‌گيري: شبكه پيشنهادي به طور مناسب از مزاياي هريك از شبكه‌‌‌ها به‌طور جداگانه، بهره‌برداري نمود و موجب گرديد كه نقاط ضعف هريك از الگوريتم‌‌‌ها توسط ديگري برطرف گردد. اين تركيب شبكه‌‌‌ها سبب ارتقاي دقت خروجي تا 98 درصد شد و از طرف ديگر زمان محاسبات انجام شده را به شدت كاهش داد.

Background and Aim: Diagnosis of leukemia is very difficult, therefore, it is necessary to use image processing techniques. The main objective of this study was to provide a system based on intelligent models that could improve the accuracy of the diagnostic system for acute leukemia. Materials and Methods: The images produced in this study were extracted from the University Degli Studi Dimilan database and processed in the MATlab 2014a software. In this research, Fuzzy-Cmeans method was used in fragmentation and neural network and support vector machine in classification networks. Ethical Considerations: In this study, all principles of research ethics were considered. Findings: Feature data were extracted using the original image transfer to RGB, HSV, Lab and Enhanced RGB spaces. The data obtained from the previous step were entered into the SVM network, then the network separated normal data from abnormal data. The results of comparing the output of the proposed method with different educational methods showed the highest mean of accuracy equal to 95.7%. Conclusion: The application of the proposed network in this study was that eliminate the weak points of all the networks in addition to presenting the advantages of these network. Combining the networks improved the accuracy of output up to 98% and considerably reduced the time required for calculations.