معرفي يك سيستم هوشمند دقيق براي تشخيص توده ها در تصاوير ماموگرافي

A novel smart system for mass detection in mammographic images

چكيده مقدمه: سرطان پستان يكي از شايع ترين بيماري هاي زنان است. شناسايي و تشخيص زودهنگام اين بيماري مي تواند در درمان آن بسيار موثر باشد. ماموگرافي درحال حاضر از موثرترين روش هاي تشخيص بيماري سرطان پستان است. روش بررسي: ما با توجه به تصاوير ماموگرافي اقدام به تشخيص توده هاي موجود در تصاوير مي نماييم. در اين روش نرم افزار بدون نياز به تشخيص ناظر، نواحي اطراف تومور را به طور كامل و دقيق شناسايي مي كند و آن را به صورت مجزا نمايش مي دهد. در اين روش با استفاده از تكنيك هاي پردازش تصوير و الگوريتم هاي مبتني بر آن به تحليل تصاوير ماموگرافي پرداخته مي شود. انجام عمليات حذف نويز و تشخيص لبه و جداسازي نواحي با تراكم بيشتر از مهم ترين عناصر شيوه پيشنهادي است. روش نمونه گيري و انتخاب تصاوير به صورت نمونه گيري منظم (سيستماتيك) و تجزيه و تحليل داده ها با استفاده از آزمون تحليل واريانس انجام شده است. يافته ها: به دليل اينكه انسان در مراحل تشخيص توده نقشي ندارد و خطاهاي انساني در اين عمليات بي تاثير است، بنابراين روش پيشنهادي از دقت بسيار بالايي برخوردار است. سرعت تشخيص در روش ارايه شده بسيار بالاتر از روش هاي پيشنهادي در مقالات معتبر علمي و نيز روش تشخيص انساني توسط راديولوژيست است. ارتباط ميان تشخيص راديولوژيست با تشخيص توسط سيستم هوشمند (01/0= p) معني دار بود. نتيجه گيري: الگوريتم مدل پيشنهادي بر روي 160 تصوير كه از پايگاه داده جامعه تحليل تصاوير ماموگرافي (MIAS) دريافت شد، انجام شده است. نتايج به دست آمده بسيار قابل قبول و با درصد خطاي كمتر از 5 درصد است. سرعت بالا و نبود خطاي انساني از مهم ترين عوامل موثر در سيستم هوشمند پيشنهادي است.

ABSTRACT Background: Breast cancer is a common disease in women. Detection and early diagnosis of this condition can be very effective in treating it. Mammography is currently the most effective methods of diagnosis for breast cancer. Material and Methods: We attempted to determine the masses in the mammography images. In this work, the proposed software can detect the areas around the mass completely and accurately identify and display it separately. In this method, using image processing techniques and algorithms, the mammographic images are analyzed. Noise removal and edge detection operations and the separation of areas with higher concentrations are the elements of the proposed method. Results: Because the human diagnosis and human errors do not play a role in this process, so the accuracy of the proposed method is very high. The detection rate of the proposed model is very higher than other methods reported in the valid literatures. Conclusion: The proposed algorithm has been done on 160 images in mammographic images analysis society (MIAS). The results are very acceptable, and the percentage error is less than 5 percent. High speed and free of human error was the most important factors in the proposed intelligent system.