خوشه بندي و غربالگري سرطان پستان بر اساس تصاوير حرارتي با استفاده از تركيب شبكه ي عصبي SOM وMLP

Breast cancer screening and clustering based on thermal images using a combination of MLP and SOM neural network

مقدمه: سرطان پستان يكي از شايع ترين سرطان ها بين بانوان مي باشد. با توجه به اهميت غربالگري سرطان پستان و نقش آن در شناسايي به موقع بيماران و همچنين كاهش هزينه‌هاي درمان، جزو اولويت‌ هاي بهداشتي يك كشور قرار مي گيرد.تصويربرداري حرارتي به دليل سرعت عملكرد در تشخيص و عدم تابش پرتو مضرر مي تواند در اين مرحله از جايگاه ويژه اي برخوردار مي باشد. موارد و روش ها : در روش ارايه شده سعي شده است از هوش مصنوعي در جهت شناسايي و غربالگري سرطان پستان استفاده شود تا خطاي احتمالي ناشي از تشخيص پزشك تا حد امكان كاهش يابد. به همين منظور ابتدا به كمك شبكه هاي عصبي خودسازمان ده به خوشه بندي يك تصوير حرارتي كه از بيمارگرفته شده است مي پردازيم سپس نواحي مشكوك را ازتصوير جداسازي مي نماييم نتيجه اين مرحله را به الگوريتمي شبيه الگوريتم ابتدايي اما با مشخصات متفاوت اعمال مينمايم تا ويژگي هاي تشخيصي براي غربالگري استخراج شود اين ويژگي ها در نهايت به شبكه هاي عصبي MLP داده خواهد شدتا فرايند غربالگري به اتمام برسد. نتايج: تعداد تصاويري كه براي اين تحقيق در جهت آزمايش در نظر گرفته شده است شامل دو پايگاه 200 نفري و يك پايگاه 50 نفري از بيماران بوده است كه در مورد اول 15 نفر و در مورد دوم 4 نفر سرطاني بوسيله ماموگرافي تشخيص داده شده اند. نتايج حاصل از روش در پايگاه اول حساسيت 93% و در پايگاه دوم 100% را نشان مي دهد. بحث و نتيجه گيري : نتايج اين تحقيق بيانگر آن است كه تصاوير حرارتي به كمك روش ارايه شده كه مبتني بر هوش مصنوعي مي باشد مي تواند در غربالگري سرطان پستان به دليل عدم تابش پرتو مضرر از جايگاه ويژه اي برخوردار باشد. هميشه مواردي وجود دارد كه پزشك نمي تواند با قاطعيت بگويد كه الگوي مشاهد شده در عكس خوش خيم يا بدخيم است در اين موارد پاسخ مدل كامپيوتري مي تواند راهنماي بسيار خوبي براي پزشك باشد تا او بتواند با تكيه بر پاسخ مدل كامپيوتري با صراحت بيشتري نسبت به نوع الگوي تصوير برداري اظهار نطر نمايد.

Introduction: Breast cancer is one of the most common cancers among women. Given the importance of breast cancer screening and its role in early identification of patients, as well as reducing treatment costs, they are included in countryʹs health priorities. Because of the speed of diagnosis performance and no harmful radiation, thermal imaging can have a special place at this stage. Methods: In the presented method it has been tried to use artificial intelligence for breast cancer screening and diagnosis in order to reduce possible errors caused by the doctor diagnosis as much as possible. Therefore, at first with the use of self-organizing neural networks we cluster a thermal image of a patient. Then we separate suspicious areas of the image. The result of this step is given to an algorithm similar to the primary algorithm with different characteristics to extract diagnostic features for screening. Finally, these attributes will be given to MLP Neural Networks to complete the screening process. Results: Number of images is considered for this research test, Includes two 200-person and one 50-person databases of patients which 15 persons in the first case and 4 persons in the second case have been diagnosed with cancer by mammography. The results show %93 sensitivity in the first database and %100 in the second one. Discussion and conclusion: The results indicate that thermal images using AI-based presented method h can have a special place in breast cancer screening owing to no harmful radiation. There are always some cases that doctors cannot say certainty that the observed pattern in the image is benign or malignant. In these cases, the response of the computer model can be a very good guide for the doctor, so he/she can comment more precisely about the kind of imaging pattern relying on computer model responses.