آشكارسازي و دسته بندي تمام خودكار نواحي مشكوك در تصاوير ترموگرام پستان براي تشخيص زودهنگام سرطان

Full Automatic Classification of Suspicious Areas in Breast Thermo Images for Early Cancer Detection

سرطان پستان رايج ترين نوع سرطان در بين زنان است. مطالعات پاتولوژيك نشان داد اند كه بيش از80% ناهنجاري هاي پستان در مراحل اوليه خوش خيم هستند، بنابراين مهم ترين مساله در درمان آن تشخيص زودهنگام است. ترموگرافي مادون قرمز پستان يك روش تصويرگيري مبتني بر ثبت الگوهاي توزيع دمايي بافت پستان است و در مقايسه با ماموگرافي پستان به دليل غيرتهاجمي، غيرتماسي، غيرفعال بودن و عدم استفاده از تابش يونيزان روشي بسيار مناسب درتشخيص زودهنگام سلول هاي سرطاني است. در اين مقاله روشي به منظور آشكارسازي خودكار نواحي مشكوك در تصاوير ترموگرام پستان با هدف كمك رساندن به پزشكان در تشخيص زودهنگام اين سرطان ارايه شده است، به نحوي كه دقت و صحت را افزايش داده و درصد پذيرش اشتباه را كاهش مي دهد. اين الگوريتم شامل 4 بخش اصلي پردازش تصوير، استخراج ويژگي، انتخاب ويژگي و طبقه بندي است. در مرحله ي پردازش، ابتدا براساس عملياتي تمام خودكار، ناحيه ي مطلوب تعيين شده، كيفيت تصاوير ارتقا يافته و سپس پستان راست و چپ از يكديگر جدا مي شوند. سپس درايه هاي ماتريس تصوير، نرمال سازي شده و نواحي نسبي مشكوك تعيين مي شوند. پس از آن و در مرحله ي استخراج ويژگي، ويژگي هاي آماري، ويژگي هايي مبتني بر هيستوگرام، ويژگي هايي مبتني بر ماتريس هم وقوعي (GLCM)، ويژگي -هايي بر اساس مورفولوژي نواحي مشكوك و ويژگي هايي در حوزه ي فركانس از هر يك از نواحي بخش بندي شده ي پستان راست و چپ استخراج مي شوند. در ادامه براي دست يابي به بهترين ويژگي ها، روش هاي انتخاب ويژگي نظير كم ترين افزونگي و بيش ترين ارتباط (mRMR)، انتخاب متوالي روبه جلو (SFS)، انتخاب متوالي روبه عقب (SBS)، انتخاب متوالي سيال روبه جلو (SFFS)، انتخاب متوالي سيال روبه عقب (SFBS) و الگوريتم ژنتيك (GA) به كار گرفته مي شود. در پايان براي طبقه بندي و تعيين معيار استاندارد براي تحليل دماي عروقي پستان ها (TH)، روش هاي مختلف طبقه بندي مانند AdaBoost، ماشين هاي بردار پشتيبان (SVM)، نزديك ترين همسايه (KNN)، بيزين ساده (NB) و شبكه ي عصبي احتمالي (PNN) مورد ارزيابي قرار گرفتند، تا از مناسب ترين آن ها به منظور طبقه بندي ويژگي ها استفاده شود. نتايج به دست آمده روي پايگاه داده ي بومي، بيانگر كارايي قابل توجه روش پيشنهادي است. با توجه به نتايج، تركيب mRMR با AdaBoost با بيشينه صحت 92% و تركيب SFFS با AdaBoost با بيشينه صحت 88%، به ترتيب بهترين تركيبات به دست آمده روي تصاوير پستان راست و چپ ارزيابي شدند.

Breast cancer is the most common type of cancer among women. The important key to treat the breast cancer is early detection of it because according to many pathological studies more 80% of all abnormalities are still benign at primary stages; so in recent years, many studies and extensive research done to early detection of breast cancer with higher precision and accuracy. Infra-red breast thermography is an imaging technique based on recording temperature distribution patterns of breast tissue. Compared with breast mammography technique, thermography is more suitable technique because it is noninvasive, non-contact, passive and free ionizing radiation. In this paper, a full automatic high accuracy technique for classification of suspicious areas in thermogram images with the aim of assisting physicians in early detection of breast cancer has been presented. Proposed algorithm consists of four main steps: pre-processing & segmentation, feature extraction, feature selection and classification. At the first step, using full automatic operation, region of interest (ROI) determined and the quality of image improved. Using thresholding and edge detection techniques, both right and left breasts separated from each other. Then relative suspected areas become segmented and image matrix normalized due to the uniqueness of each personʹs body temperature. At feature extraction stage, 23 features, including statistical, morphological, frequency domain, histogram and Gray Level Co-occurrence Matrix (GLCM) based features are extracted from segmented right and left breast obtained from step 1. To achieve the best features, feature selection methods such as mRMR, SFS, SBS, SFFS, SFBS and GA have been used at step 3. Finally to classify and TH labeling procedures, different classifiers such as AdaBoost, SVM, kNN, NB and PNN are assessed to find the best suitable one. The results obtained on native database showed the best and significant performance of the proposed algorithm in comprise to the similar studies. According to experimental results, mRMR combined with AdaBoost with the maximum accuracy of 92%, and SFFS combined with AdaBoost with a maximum accuracy of 88%, are the best combination of feature selection and classifier for evaluation of the right and left breast images respectively.