16849

16849

طراحي سيستم خودكار براي جداسازي و دسته بندي تومور در تصاوير تشديد مغناطيسي پستان

كارشناسي ارشد

الكترونيك

دي 1395

دكتر شهريار برادران شكوهي

برق

تهيه¬ي تصاوير تشديد مغناطيسي پستان كمك شاياني به پزشك جهت تشخيص بيماري سرطان پستان مي¬كند. با انجام تصويربرداري تشديد مغناطيسي تعداد داده¬هاي بسيار زيادي براي هر بيمار به دست مي-آيد كه تفسير آن¬ها زمان¬بر و وابسته به تخصص و تجربه¬ي راديولوژيست است؛ لذا به همين منظور سيستم¬هاي آسيب¬شناسي به كمك كامپيوتر به وجود آمده¬اند. هدف اصلي در اين تحقيق، طراحي يك سيستم آسيب¬شناسي به كمك كامپيوتر براي تشخيص و خوشه-بندي ضايعات سرطاني در تصاوير تشديد مغناطيسي پستان است. پس از جداسازي ناحيه¬ي پستان به روش اطلس، تومورهاي توده¬اي و غيرتوده¬اي شناسايي شده و جداسازي مي¬گردند. سپس 6 ويژگي شكل شناسي ، 20 ويژگي سينتيك ، 11 ويژگي ماتريس هم¬رخداد سطح خاكستري از تومورها استخراج مي¬گردد. در اين تحقيق، ويژگي جديدي تحت عنوان تبديل موجك مختلط دوگانه معرفي شده و 5 ويژگي مرتبط با اين نوع ويژگي استخراج مي¬شود. پس از استخراج ويژگي¬هاي مذكور، بردارهاي ويژگي به خوشه¬بند ماشين بردار پشتيبان با كرنل¬ هاي مختلف و خوشه¬بند تركيبي كه تركيبي از روش تحليل تفكيك كننده¬ي خطي و نزديك¬ترين همسايگي مي¬باشد داده شده و خوشه¬بندي تومورها به دو دسته¬ي خوش¬خيم و بدخيم انجام مي¬گردد. با به كارگيري ويژگي جديد معرفي شده در اين تحقيق و اعمال آن به خوشه¬بند SVM، مقادير Az براي تومورهاي توده¬اي، غيرتوده¬اي و تركيبي از آن¬ها به ترتيب 71/0، 77/0 و 70/0 و با اعمال آن به خوشه¬بند تركيبي LDA و k-NN اين مقادير به ترتيب 70/0، 74/0 و 69/0 حاصل گرديده است. واژه‌هاي كليدي: تصاوير تشديد مغناطيسي پستان، جداسازي مبتني بر اطلس، تبديل موجك مختلط دوگانه، خوشه¬بند¬هاي SVM و خوشه¬بند تركيبي.

1395/12/10

1/1/1900 12:00:00 AM

Breast Magnetic Resonance Imaging (MRI) acquisition assists the radiologist in detecting breast cancer. MR imaging produces a large number of images. Interpretation an​d eva​luation of these images is time consuming an​d depends on radiologist’s experience. Thus, Computer-Aided Diagnosis (CAD) systems are introduced to assist the radiologist. The main purpose of this study is to design a CAD system for detection an​d classification of lesions in MRIs. After atlas-based breast segmentation, mass an​d non-mass tumors are detected an​d segmented. Afterwards, 6 morphologic, 20 kinetic an​d 11 GLCM (Gray-Level Co-occurance Matrix) features are extracted from the tumors. In this study, a novel feature called Dual-Tree Complex Wavelet Transform (DT-CWT) is extracted along with other mentioned features an​d then applied to the classification step. Finally, feature vectors are fed to the Support Vector Machine (SVM) classifier with different kernels an​d combination of Linear Discriminant Analysis (LDA) an​d k-Nearest Neighbor (k-NN) to classify the lesions into malignant an​d benign classes. By applying the new feature to the mass lesions, non-mass lesions an​d combination of them an​d utilizing SVM classifier, the Az values of 0.71, 0.77 an​d 0.70, respectively. Also, by applying the hybrid classifier the Az values of 0.70, 0.74 an​d 0.69 are achieved, respectively. Keywords: Breast Magnetic Resonance Image (MRI), Atlas-based segmentation, Dual-Tree Complex Wavelet Transform (DT-CWT), Support Vector Machine (SVM) classifier an​d hybrid classification.