تعيين فشردگي بافت سينه با استفاده از منطق فازي

Determination Of Breast Density Using Fuzzy Logic

 زمينه و هدف: احتمال ابتلا به سرطان سينه با افزايش فشردگی بافت سينه بيشتر می‌شود. فشردگی بافت به وجود سلولهای غدد شيری در بافت نرم سينه وابسته است. بنابراين، كشف غدد سرطانی در سينه‌های فشرده مستلزم توجه بيشتر از سوی پزشكان است. هدف اصلی اين مقاله ارائه روش كمی برای تعيين و دسته بندی فشردگی بافت سينه در تصاوير ماموگرام ديجيتال با استفاده از منطق فازی می‌باشد.  روش بررسی: اين پژوهش از نوع مقطعی و توسعه‌ای است كه منجر به پيشنهاد و توسعه‌ی يك نظام جديد می‌گردد. جامعه پژوهش مشتمل بر كليه بيمارانی بود كه به مركز ملی سرطان مالزی برای انجام ماموگرافی بين سال‌های 2010 تا 2011 مراجعه نموده‌اند. حجم نمونه، مشتمل بر 220 تصوير ماموگرام بود كه به صورت تصادفی از بين تصاوير موجود در بانك اطلاعات مركز ملی سرطان مالزی انتخاب گرديد. برای تعيين ميزان انطباق پاسخ‌های اين نظام با تشخيص پزشك، از آزمون كاپا در محيط نرم افزار SPSS استفاده شد.  يافته‌ها: براساس نتايج بدست آمده، در 8/92 درصد موارد فشردگی بافت سينه بدرستی تشخيص داده شد و همبستگی شديدی بين نتايج حاصل از سيستم و نظر راديولوژيست‌ها وجود داشت(0001/0 p= ، 87/0 k= ).  نتيجه‌گيری: نتايج حاصل از سيستم پيشنهادی نسبت به موارد مشابه از كارايی بيشتری برخوردار بود؛ در نتيجه می‌توان استنباط نمود كه از منطق فازی در اين زمينه می‌توان بهره مند گرديد. به علاوه، استفاده از اينگونه نظام‌ها كمك موثری برای پزشكان خواهد بود.

 Background and Aim: The risk of breast cancer increases directly in line with breast density. Therefore, it is important to pay more attention to denser breasts in order to detect abnormalities. The aim of this paper was to design and suggest a quantitative method to categorize breast density in digital mammogram images using fuzzy logic.  Materials and Methods: This was a crosectional study which resulted in developing a new system. The research population was including patients who undergo mammography in National Cancer Society of Malaysia during 2010 to 2011. Sample included 220 mammogram images which was selected randomly. Data analysis was done using SPSS with Kappa statistics.  Results: Accuracy level of 92.8% was obtained based on evaluation of the system and there was a strong correlation between the system output and radiologists’ estimation (K=0.87, p=0.0001).  Conclusion : Results obtained from the suggested system had higher performance than similar systems. Therefore, it could be concluded that the fuzzy logic may be used in this area. In addition, such systems could be helpful for physicians.