تشخيص سرطان دهانه‌ي رحم در تصاوير پاپ اسمير با استفاده از ويژگي‌هاي بافتي و هندسي

Diagnosis of Cervical Cancer Using Texture and Morphological Features in Pap Smear Images

مقدمه: يكي از سرطان‌هاي شايع در بين زنان، سرطان دهانه‌ي رحم است كه پزشك مي‌تواند از يك سيستم كامپيوتري تشخيصي به منظور تشخيص سريع‌تر و راحت‌تر بهره‌مند شود. هدف از انجام اين مطالعه، طبقه‌بندي سلول‌هاي دهانه‌ي رحم در تصاوير تست پاپ اسمير به دو گروه طبيعي و غير طبيعي بود. روش‌ها: در اين مقاله، از پايگاه داده‌ي عمومي Herlev استفاده شد. اين پايگاه داده، شامل 917 سلول مي‌باشد. تعداد 35 ويژگي هندسي و 263 ويژگي بافتي نظير ويژگي‌هاي ماتريس‌هاي هم‌رخداد (Gray level co-occurrence matrix يا GLCM)، الگوي محلي دودويي (Local binary pattern يا LBP) و هيستوگرام گراديان چرخشي از تصاوير سلول استخراج شد. سپس، تعداد 5، 10، 15 و 20 ويژگي برتر با استفاده از آزمون t انتخاب شد. ارزيابي مورد استفاده در اين مقاله، به صورت 10 قسمتي بود و نتايج طبقه‌بندهاي ماشين بردار پشتيبان، درخت تصميم، K نزديك‌ترين همسايگي و روش تركيبي گزارش شد. يافته‌ها: الگوريتم طراحي شده در طبقه‌بندي ماشين بردار پشتيبان به دقت 5/97 درصد در طبقه‌بندي دو كلاس در 20 ويژگي دست پيدا كرد. نتيجه‌گيري: ويژگي‌هاي هندسي از قدرت بسيار بالايي در تفكيك سلول‌هاي طبيعي و غير طبيعي برخوردار هستند. به منظور افزايش دقت در تشخيص از ويژگي‌هاي بافتي هيستوگرام گراديان چرخشي به عنوان مكمل ويژگي‌هاي هندسي استفاده كرد. در صورت بهينه كردن تعداد ويژگي‌ها و انتخاب درست مجموعه‌ي ويژگي، مي‌توان ميزان انحراف از معيار را 3-2 درصدكاهش داد و زمان پردازش را بهينه‌تر كرد.

Background: Cervical cancer is one of the most common cancers among women worldwide, which can be diagnosed more quickly via using digital systems. The purpose of this study was to classify the cells in Pap smear test images into two types of normal and abnormal by using image processing to diagnose cervical cancers. Methods: We used Herlev public database, which contained 917 cells. 35 geometric and 263 histologic features such as Gray Level Co-Occurrence Matrix (GLCM), Local Binary Pattern (LBP), and rotational gradient histogram were extracted from cell images. T test filter method was applied on the data set after extraction of geometrical and textural features. We used different classification methods such as support vector machine (SVM), decision tree (DT), k nearest neighbor (KNN) and ensemble classifiers. Findings: The best results were for SVM classifier as 97.5% accuracy in two-class classification with 20 features. Conclusion: Feature selection and feature extraction methods are very important for classify normal and abnormal cervical cell images. By optimizing and choosing the right methods, we can optimizing accuracy, and speed and error (2-3 percent).