به كارگيري الگوريتم GBC جهت افزايش دقت تشخيص و حذف نويز ضربه در تصاوير ماموگرافي مبتني بر شبكه عصبي MLP

Using MLP Neural Network and PSO Algorithm for Reduction of Degradation Caused by High Density Impulsive Noise in Mammography Images

مقدمه: سرطان پستان به رغم انتشار گسترده، به كمك تصاوير ماموگرافي و علايم باليني بيمار قابل شناسايي به موقع و معالجه قطعي است. حذف اختلال­ هاي ناخواسته نظير نويزها و بهبود كيفيت تصاوير ماموگرافي، در افزايش دقت تشخيص سرطان موثر مي ­باشد. نويزهاي ضربه در تصاوير ماموگرافي ديجيتال به گونه ­اي است كه در آن اختلاف شدت پيكسل نويزي با پيكسل‌هاي اطراف زياد است. وجود علايم و ويژگي­هاي مختلف اين بيماري، تشخيص را براي پزشكان دشوار مي­كند. پردازش تصاوير ماموگرافي امكان تحليل وضعيت بيماران براي تصميم­گيري­هاي پزشكي را فراهم مي­كند. هدف اين مقاله، ارايه يك مدل براي حذف نويز ضربه از تصاوير ماموگرافي به منظور افزايش دقت پيش­بيني سرطان پستان است. روش بررسي: در اين مطالعه، تصاوير ماموگرافي 574 بيمار مبتلا به سرطان پستان مورد بررسي قرار گرفته است. اطلاعات بيماران از پايگاه داده بيمارستان فوق تخصصي مرتاض يزد جمع ­آوري شده ­است. به منظور ارايه مدل براي حذف نويز ضربه از تصاوير ماموگرافي از الگوريتم GBC و شبكه عصبي MLP استفاده مي­شود. يافته ­ها: مدل پيشنهادي با روش ­هايي از قبيل MDBUTMF و ATSM مورد مقايسه قرار گرفت. نتايج شبيه­ سازي برتري دقت تشخيص و حذف نويز ضربه از تصاوير ماموگرافي مدل ­پيشنهادي نسبت به ساير روش ­ها را نشان مي­ دهد. همچنين PSNR تصوير به طور متوسط dB2 افزايش مي ­يابد. نتيجه ­گيري: در حذف نويز ضربه به منظور پيش ­بيني سرطان پستان، مدل پيشنهادي نسبت به ساير مدل­ هاي مورد مقايسه داراي حداقل ميزان خطا و بيش­ترين دقت و صحت ­است. روش ATSM، حداكثر ميزان خطا و كم­ترين دقت را دارا مي­ باشد.

Introduction: Impulse noise removal of mammography image is of great importance. The presence of different signs and characteristics of the disease has made it difficult for physicians’ to diagnose. MLP neural network allows the analysis of the patients’ medical data for medical decisions. The goal of this paper is to present an accurate model designed for reduction of degradation caused by high density impulsive noise in mammography images. Methods: In this study, the medical case files of 574 patients. Patient information was acquired from the Mortaz General Hospital Standard Database and selected. GBC Algorithm and MLP neural network are used for reduction of degradation Caused by high density impulsive noise in mammography images. Results: The suggested model was compared with the MDBUTMD and ATSM methods. In reduction of degradation caused by high density impulsive noise in mammography images, the suggested model acquired the least error and the most PSNR and validation in comparison with other methods. The ATSM method has the most error and least PSNR. Conclusion: Subjective and objective evaluations on different images with different noise densities show the superiority of the proposed method over the related recent works in the field.