طراحي روشي كارآمد در فشرده سازي چند مرحله‌اي تصاوير ماموگرافي جهت ذخيره سازي و انتقال بهينه بر مبناي شبكه‌هاي عصبي مصنوعي و الگوريتم L-M

Designing an Efficient Method of Multi-Stage Compression of Mammography Images for Optimal Storage and Transmission Based on Neural Network and L-M Algorithm

سابقه و هدف: در فرايند پزشكی از راه دور (Telemedicine)، استفاده از تكنيك‌های ديجيتالی در تشخيص بيماری‌ها سبب شده تا پزشكان جهت آرشيو و نگهداری اطلاعات بيماران به منابع ذخيره‌سازی و نيز پهنای باند بالا در انتقال داده‌ها نياز پيدا كنند. مواد و روش‌ها: هدف از ارائه اين مقاله، معرفی يك شيوه كارآمد در فشرده‌سازی چند مرحله‌ای اطلاعات مربوط به تصاوير ماموگرافی بر اساس شبكه‌های عصبی مصنوعی و الگوريتم L-M است. در ابتدا تصوير ماموگرافی با ورود به شبكه عصبی، اين امكان را خواهد داشت كه با كمترين ميزان تخريب و درجه فشردگی بالا در لايه نخست فشرده شود. يافته‌ها: پياده سازی مراحل فشرده‌سازی تصاوير ماموگرافی با استفاده از تصاوير 128 زن با سنين 55/6±41/46 سال و شاخص توده بدنی 5/5±78/36 از سطح 3 كلينيك‌ تخصصی از شهر سبزوار صورت گرفت و مشاهده شد كه به ترتيب متوسط مجذورات خطا برابر (MSE) 24/4، بيشترين نسبت تفاوت برابر 46/33 و نسبت فشرده سازی 8:1 در خروجی الگوريتم حاصل آمدند؛ عملكرد قابل قبول سيستم بر اساس طراحی دقيق نرم افزاری بوده و به همين دليل كارايی مناسبی را در عمل به همراه دارد. نتيجه‌گيری: بر مبنای قابليت اطمينان به خروجی نرم افزار در فشرده‌سازی و انتشار و به دليل عدم تخريب اطلاعات اساسی تصاوير ماموگرافی در زمان فشرده شدن، تشخيص در مرحله اكتشاف با تشخيص در واقعيت مطابقت بالايی دارد و از اين رو سيستم امكان پياده‌سازی را در مراكز بيمارستانی در آرشيو تصاوير ماموگرافی داراست و انجام آن را توجيه می‌كند.

Introduction: In the process of telemedicine, the use of digital techniques for the diagnosis of diseases has made physicians to use ring resources and high bandwidth in data transfer for archiving and storing patient information. Methods: The aim of this paper is to introduce an efficient way of multi-stage compression of mammographic image data based LM algorithm and artificial neural networks. First, the data derived from mammographic images are given to multi-layer neural network and the proposed structure allows the sample images to be formed with the minimum damage and the degree of compaction in the first layer. Results: The compression process of the mammography images was implemented using images of 128 women aged 46.41±6.55 with a BMI of 36.78 ±5.5 collected from three specialized clinics in Sabzevar. The analysis yielded a mean square error (MSE) of 4.24 with the highest difference ratio of 33.46 and compression ratio of 8: 1in the output of the algorithm. The system performance was acceptable based on the accurate design of the software, and therefore it demonstrated high efficiency in practice. Conclusion: Given the reliability of software output in the compression and release and the fact that mammographic images are not completely degraded during compression, the diagnosis in the discovery stage is highly consistent with the diagnosis in the reality. Therefore, this system has the capacity to be implemented in hospitals for archiving mammography images and its application is justifiable.