19342

۱۹۳۴۲

طراحي و شبيه سازي الگوريتمي جهت طبقه بندي تصاوير بافت شناسي سرطان سينه

كارشناسي ارشد

الكترونيك - ديجيتال

۱۳۹۴

۱۳۹۷/۳/۲۹

دكتر علي صدر

برق

چكيده سرطان پستان به نوعي سرطان گفته مي‌شود كه از بافت پستان آغاز مي‌شود. در سراسر دنيا، سرطان سينه مهم‌ترين نوع سرطان در زنان است و 25 درصد از تمام موارد سرطان را به خود اختصاص مي‌دهد. تشخيص و شناسايي سرطان سينه مي‌تواند با روش‌هاي تصويربرداري مانند ماموگرافي تشخيصي، تصويربرداري تشديد مغناطيسي، فراصوت و حرارت‌نگاري انجام شود. با اين حال، براي تشخيص سرطان، بافت‌برداري تنها راه مطمئن است. اين روش شامل نمونه‌هاي جمع‌آوري شده سلول‌ها يا بافت سينه مي‌باشد كه در سراسر اسلايد ميكروسكوپ براي رنگ‌آميزي و بررسي ميكروسكوپي بصورت ثابت قرار گرفته‌اند. تشخيص از روي تصاوير بافت¬شناسي بهترين روش جهت تشخيص انواع سرطان‌ها از جمله سرطان سينه مي‌باشد.اين مسائل مي‌توانند توسط روش غربال‌گري خودكار كه روش‌هاي كارآمد و دقيقي را ارائه مي‌دهند، بررسي شوند. با توجه به خطاي انساني در تشخيص سرطان از روي تصاوير بافت¬شناسي، در اين پروژه سعي شد تا الگوريتمي براي تشخيص خودكار و مستقل از عامل انساني سلول‌هاي سرطاني ارائه شود. ما در اين پايان¬نامه از مجموعه داده BreaKHis كه يك مجموعه داده بزرگ نسبت به ديگر داده¬ها در زمينه تصاوير سرطان سينه است استفاده كرديم. بدليل زياد بودن تعداد داده¬ها، نتايج بدست آمده از ين مجموعه داده قابل اطمينان‌تر است. با توجه به پيچيدگي بافت‌هاي سينه و در نتيجه تصاوير بافت‌شناسي سينه، استخراج ويژگي از اين تصاوير بسيار حائز اهميت مي‌باشد. ما با استفاده از 8 توصيف-گر مختلف استخراج ويژگي كرديم و با توجه به پيچيدگي بالاي تصاوير بافت‌شناسي، روش‌هاي متنوع انتخاب ويژگي جهت بهبود كارايي مدل روي ويژگي¬ها اعمال كرديم تا بهترين ويژگي‌هايي را كه منجر به حداكثر تفكيك‌پذيري بين تصاوير خوش¬خيم و بدخيم مي¬شود را بدست بياوريم. سپس جهت طبقه‌بندي از چهار نوع طبقه‌بند استفاده شد و جهت ارزيابي مدل، ماتريس اختلاط و منحني ROC را بدست آورديم. معيار ارزيابي صحت در اين روش، به ميزان 9/2 درصد بهبود پيدا كرد. در نهايت، معيارهاي AUC، صحت، اختصاصيت و حساسيت نشان از برتري و رقابتي بودن اين الگوريتم در قياس با ساير الگوريتم‌هاي بكار برده شده در اين حوزه را دارد. واژه‌هاي كليدي: سرطان سينه، تصاوير بافت¬شناسي و توصيف¬گر

1397/06/24

Designing an algorithm for classification of breast cancer histology images

11/18/2018 12:00:00 AM

Abstract: Breast cancer is a kind of cancer that begins with breast tissue. Across the world, breast cancer is the most common type of cancer in women, accounting for 25% of all cases of cancer. Diagnosis and identification of breast cancer can be done by imaging methods such as diagnostic mammography, magnetic resonance imaging, ultrasound, and heat therapy. However, for tissue detection, tissue is the only safe way. The method involves the collection of cells or chest tissues that are stacked across the microscope slides for staining and microscopic examination. Diagnosis on histological images is the best way to detect various types of cancers, including breast cancer. These issues can be examined by an automated screening method that provides accurate and accurate methods. Given the human error in detecting cancer from histological images, this project attempted to provide an algorithm for the automatic and independent detection of human cancer cells. We used the BreaKHis dataset in this thesis, which has a large dataset compared with other data on breast cancer images. Due to the large number of data, the results obtained from this data set are more reliable. Due to the complexity of the tissues of the breast and thus the histological histogram of the breast, the extraction of the characteristics of these images is very important. We used eight different descriptor extractions and, given the complexity of histological images, we applied a variety of feature selection methods to improve the performance of the model on the features to provide the best possible features that maximized the resolution between nicer images and Get malignant. Then, four types of stratigraphy were used for classification. We obtained the matrix of mixing and ROC curve for evaluation of the model. Finally, AUC criteria, accuracy, specificity and sensitivity indicate the superiority and competitiveness of this algorithm in comparison with other algorithms used in this field. Keywords: breast cancer, histological images and descriptor