يك روش هيبريدي جديد جهت قطعه‏‎بندي و تشخيص تومورهاي موجود در تصاوير ماموگرافي بافت پستان

A New Hybrid Method for Segmentation and Detection of the Tumors in the Mammographic Images of the Breast Tissue

مقدمه: سرطان پستان يكي از شايع ترين بيماري هاي زنان است. شناسايي و مرزبندي توده ها و تشخيص تومورهاي موجود در بافت پستان از چالش هاي جدي در تشخيص اين سرطان است. در حال حاضر ماموگرافي، متداول ترين راه تشخيص تومورهاي موجود در پستان مي باشد كه عدم شناسايي صحيح مرز توده ها در آن مي تواند منجر به تشخيص يا نمونه برداري نادرست از بافت پستان شود. هدف اين مقاله، معرفي يك روش هيبريدي هوشمند جديد براي شناسايي و مرزبندي تومورهاي پستان در تصاوير ماموگرافي است كه تشخيص خودكار خوش خيم يا بدخيم بودن تومور را تسهيل كند. كه شامل 150 تصوير ماموگرافي حاوي تومورهاي خوش خيم و 150 DDSM روش بررسي: در اين مطالعه از داده هاي پايگاه داده تصوير ماموگرافي حاوي تومورهاي بدخيم است، استفاده شد. پس از حذف نواحي اضافي مانند پس زمينه، با قطعه بندي تصاوير ماموگرام بر مبناي هيستوگرام تصوير و تركيب تبديل موجك و الگوريتم ژنتيك و نيز مورفولوژي رياضي مرز تومور استخراج شد. همچنين علاوه بر الگوريتم ژنتيك، الگوريتم هاي بهينه سازي كلوني مورچگان و بهينه سازي ازدحام ذرات نيز براي قطعه بندي تصاوير ماموگرافي مورد استفاده و مقايسه قرار گرفتند. يافته ها: الگوريتم هيبريدي پيشنهادي صحت خوب و سرعت بالايي در قطعه بندي تصاوير ماموگرافي جهت تشخيص تومورهاي پستان دارد. براي طبقه بندي تومورها، قطعه بندي با استفاده از الگوريتم ژنتيك نسبت به الگوريتم بهينه سازي كلوني مورچگان و بهينه سازي ازدحام ذرات صحت بالاتري دارد. مرزبندي تومورهاي شناسايي شده در تصاوير حاصل از قطعه بندي با الگوريتم هيبريدي پيشنهادي، 91 % (طبقه بندي به دو دسته خوش خيم و بدخيم) شده است كه مطلوب است. / منجر به صحت طبقه بندي 4 نتيجه گيري: الگوريتم هيبريدي پيشنهادي، الگوريتمي سريع و كارآمد براي قطعه بندي تصاوير ماموگرافي و مرزبندي تومورهاي پستان است. نتايج اين مطالعه نشان داد كه اولا روش هوشمند ارايه شده، داراي صحت مناسب جهت كمك به تشخيص راديولوژيست ها و تا حدودي حذف مرحله نمونه برداري از بافت پستان مي باشد. ثانيا بين سه الگوريتم ژنتيك، بهينه سازي كلوني مورچگان، و بهينه سازي ازدحام ذرات، الگوريتم ژنتيك منجر به صحت بالاتر طبقه بندي تومورها مي شود.

Abstract Introduction: Breast cancer is one of the most common gynecological diseases. Segmentation and boundary detection of the breast tumors are from the most serious challenges in the diagnosis of breast cancer. Nowadays mammography is the best way to detect the breast tumors, in which, inaccurate segmentation and edge detection of the masses may lead to wrong diagnosis or biopsy of the breast tissue. In this paper, a new hybrid method for the segmentation and edge detection of the tumors in the mammographic images of the breast tissue is introduced in order to facilitate automatic classification of tumors as benign or malignant. Methods: In this research, the wellknown DDSM database was employed which includs 150 mammography images of malignant tumors, and 150 mammography images of benign tumors. After removing additional areas such as background, edge detection of the tumors was done via segmentation of the image based on the image histogram and the combination of wavelet transform and genetic algorithm as well as mathematical morphology. Also, Ant colony optimization and Particle swarm optimization (PSO) algorithms were used for segmentation of the mammography images and compared with the proposed method. Results: The proposed hybrid method has good accuracy and high speed in segmentation of the mammography images for classification of the breast tumors. The hybrid method including genetic algorithm leads to higher classification accuracy compared with ant colony optimization and PSO algorithms. The segmentation of tumors via the proposed hybrid method leads to classification accuracy 91.4% which is satisfactory. Conclusion: The proposed hybrid method is a fast and efficient method for segmentation and edge detection of the breast tumors. The results of this paper showed that the proposed intelligent method has good ability to detect the tumors to help the radiologists and so the unnecessary biopsy of the breast tissue may be omitted. Secondly, between the applied segmentation algorithms, genetic algorithm leads to higher classification accuracy.