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 فشردگي بافت سينه بيشتر مي‌شود. فشردگي بافت به وجود سلولهاي غدد شيري در بافت نرم سينه وابسته است. بنابراين، كشف غدد سرطاني در سينه‌هاي فشرده مستلزم توجه بيشتر از سوي پزشكان است. هدف اصلي اين مقاله ارايه روش كمي براي تعيين و دسته بندي فشردگي بافت سينه در تصاوير ماموگرام ديجيتال با استفاده از منطق فازي مي‌باشد. روش بررسي: اين پژوهش از نوع مقطعي و توسعه‌اي است كه منجر به پيشنهاد و توسعه‌ي يك نظام جديد مي‌گردد. جامعه پژوهش مشتمل بر كليه بيماراني بود كه به مركز ملي سرطان مالزي براي انجام ماموگرافي بين سال‌هاي 2010 تا 2011 مراجعه نموده‌اند. حجم نمونه، مشتمل بر 220 تصوير ماموگرام بود كه به صورت تصادفي از بين تصاوير موجود در بانك اطلاعات مركز ملي سرطان مالزي انتخاب گرديد. براي تعيين ميزان انطباق پاسخ‌هاي 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 فشردگي بافت سينه بدرستي تشخيص داده شد و همبستگي شديدي بين نتايج حاصل از سيستم و نظر راديولوژيست‌ها وجود داشت(0001/0p= ، 87/0k=). نتيجه‌گيري: نتايج حاصل از سيستم پيشنهادي نسبت به موارد مشابه از كارايي بيشتري برخوردار بود؛ در نتيجه مي‌توان استنباط نمود كه از منطق فازي در اين زمينه مي‌توان بهره مند گرديد. به علاوه، استفاده از اينگونه نظام‌ها كمك موثري براي 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.