ارائه روشي جديد براي آشكارسازي سرطان سينه در تصاوير ماموگرافي با استفاده از الگوريتم كرم شب تاب

A new method for detection of breast cancer in mammography images using a firefly algorithm

سرطان سينه يكي از شايع ترين سرطان ها در بين زنان است. در بسياري از مواقع، هيچ علائم آشكاري در بيماران مبتلا به سرطان سينه مشاهده نمي شود. تشخيص دقيق سرطان سينه در مراحل اوليه براي كاهش مرگ و مير امري ضروري است. ماموگرافي به عنوان يك روش استاندارد بيش از 40 سال است كه در تشخيص بيماري هاي سينه مورد استفاده قرار گرفته است. براي جلوگيري از تجزيه و تحليل هاي ذهني تصاوير ماموگرافي توسط راديولوژيست ها و افزايش دقت آشكارسازي سرطان سينه، سيستم هاي مبتني بر هوش مصنوعي در سال هاي اخير مورد توجه زيادي قرار گرفته اند. در اين مطالعه با تركيب الگوريتم كرم شب تاب و اعمال پيش پردازش هاي مناسب بر روي تصوير به آشكارسازي سرطان سينه در تصاوير ماموگرافي پرداخته شده است. در اين مطالعه، از تصاوير ماموگرافي موجود در مجموعه داده DDSM استفاده شد. 3 معيار عملكردي صحت، حساسيت و دقت (%4/93، 91%، 95% ) براي تجزيه و تحليل عملكرد تشخيص استفاده شد. اثر پيشنهادي در مقايسه با كارهاي موجود در ادبيات عملكرد بهتري نشان مي دهد.

Breast cancer is one of the most common cancers among women. Many times, no obvious symptoms were identified in breast cancer patients. Accurate detection of breast cancer at the earliest stage is very much essential to reduce mortality. Mammography has been used as a gold standard for over 40 years in diagnosing breast diseases. In recent years, artificial intelligence systems have been the focus of much attention in preventing the subjective analysis of mammograms and physicians by radiologists and enhancing the accuracy of breast cancer detection. In this study, combining the firefly algorithm and applying appropriate image processing to detect breast cancer in mammographic images has been investigated. In this paper, mammographic images in the DDSM dataset were used. Three performance metrics such as sensitivity, specificity and accuracy (93.4%, 91%, 95%) were used to analyze the detection performance. The proposed work shows better performance when compared to existing work in literature.