20257

۲۰۲۵۷

دسته بندي هوشمند ضايعات در تصاوير تشديد مغناطيسي پستان

كارشناسي ارشد

الكترونيك

۹۷-۹۴

۱۳۹۷/۱۰/۲۹

دكتر شهريار برادران شكوهي

برق

سرطان پستان را مي¬توان شايع¬ترين سرطان و همچنين دومين علت مرگ¬ومير ناشي از سرطان در ميان زنان جهان ناميد. از اين رو يافتن راه¬هايي براي تشخيص و درمان اين بيماري يك چالش حساس و مهم در سلامت جامعه بشري مي¬باشد. روش¬هاي مختلفي به منظور غربالگري پستان در زنان معرفي شده¬است كه از جمله كم-خطرترين اين روش¬ها مي¬توان به تصويربرداري تشديد مغناطيسي اشاره كرد. اين روش نيز امروزه يكي از رايج-ترين روش¬هاي موجود در تشخيص سرطان پستان محسوب مي¬شود. اما ضايعات داراي خصوصيات مرزي و ويژگي¬هاي شكل¬شناسي مختص به خود نيستند از اين رو تفكيك خوش¬خيم و بدخيم بودن ضايعات در حالت عادي كاري بسيار زمان¬بر و دشوار است. در اين پژوهش يك سيستم آسيب¬شناسي خودكار با كمك كامپيوتر براي تشخيص و دسته بندي تصاوير تشديد مغناطيسي محوري پستان در دو طبقه¬ي خوش¬خيم و بدخيم ارائه مي¬شود. در ابتدا نواحي احتمالي مشكوك به حضور ضايعه توسط يك راديولوژيست باتجربه به صورت يك كادر مستطيلي در اطراف ضايعه جداسازي مي¬شود. سپس از يك الگوريتم پيشنهادي به منظور جداسازي دقيق مرز ضايعه استفاده مي¬شود. اين الگوريتم براي اولين بار با در نظر داشتن شرايط غيريكنواختي تصاوير جداسازي ضايعات انجام مي¬گيرد و همچنين سعي در حذف نواحي مثبت كاذب با استفاده از عمليات¬هاي ريخت¬شناسي و حذف رگ دارد. در مرحله¬ي بعدي چهار گروه ويژگي از نواحي جداسازي¬شده¬ي ضايعات استخراج مي¬شوند كه هر كدام بيانگر حالات خاصي از ساختار ضايعه مي¬باشد. اين چهار گروه عبارت¬اند از: ويژگي¬هاي بافتي، سينتيك، فركانسي و ريخت¬شناسي. در اينجا يك گروه جديد از ويژگي¬ها تحت عنوان ويژگي¬هاي گابور-هاراليك استخراج مي¬شود كه كارايي منحصربه¬فردي از خود به نمايش مي¬گذارد. به دليل ابعاد بالاي ويژگي¬ها، از روش¬هاي انتخاب ويژگي مختلفي در اين پژوهش استفاده شده است كه همه با بهره¬گيري از الگوريتم¬هاي بهينه¬سازي توسعه يافته¬اند. هچنين الگوريتم بهينه¬سازي HMSFLA براي اين منظور در اينجا ارائه¬شده¬است. كه بعد از انتخاب مناسب¬ترين ويژگي¬ها در مرحله¬ي دسته بندي، به¬منظور آموزش دسته¬بندي¬كننده¬هاي MLP-NN و ANFIS استفاده مي-شود. در تمام اين مراحل از 46 ضايعه توده¬اي استفاده مي¬شود كه درنهايت در بين ويژگي¬هاي سه‌بعدي ويژگي هاراليك با مقادير بهبود حساسيت، خصوصيت و دقت 67/91، 100 و 37/97 و همچنين ويژگي دوبعدي تبديل موجك با مقادير بهبود حساسيت، خصوصيت و دقت برابر با 100، 15/96، 83/97 گزارش‌شده است. ميزان حساسيت، خصوصيت، دقت براي ويژگي¬هاي گابور-هاراليك به ترتيب برابر با 90، 15/96، 48/93 و 30/92 درصد گزارش شده¬اند. اين مقادير كارايي سيستم تشخيصي پيشنهادي در دسته بندي ضايعات توده¬اي خوش¬خيم و بدخيم در تصاوير تشديدمغناطيسي پستان را نشان مي¬دهد.

1397/11/28

Intelligent Tumor Classification in Breast Magnetic Resonance Images (MRI

2/17/2019 12:00:00 AM

Breast cancer can be considered as the most common cancer and also the second leading cause of death by cancer among women in the world. Hence, finding ways to diagnose and treat this disease is a critical and sensitive challenge in health of human community. Various methods are proposed for breast screening in women, and one of the non-invasive of these methods is magnetic resonance imaging. This method is one of the most commonly used methods of breast cancer diagnosis today. However, lesions do not have borderline characteristics and morphologic features of their own. Therefore, differentiating between benign and malignant lesions in a normal state of work is very time consuming and challenging. In this study, a computer-aided auto-diagnosis system is developed for the diagnosis and classification of axial magnetic resonance images of breasts in two classes of benign and malignant. Initially, suspected parts of the lesion are separated as a rectangular box around the lesion by an experienced radiologist. Then a proposed algorithm is used to precisely separate the lesion. The proposed separation algorithm segmentation the lesions considering unevenness of the images for the first time and attempts to remove the false positive regions using morphological operations and removing vein. In the next stage, four groups of features are extracted from the separated parts of the lesions where each of them expresses particular states of the lesion structure. These four groups are tissue features, synthetic, frequency, and morphology. Here a new group of features is extracted called the Gabor-Haralik features, which presents a particular efficiency. Due to high dimensions of the features, different methods of selecting features have been conducted in this research based on the optimization algorithms. The HMSFLA optimization algorithm is presented here for this purpose and is used for the training of MLP-NN and ANFIS after selecting the most appropriate features in the classification stage. In all these stages, 46 lesions are used, and their sensitivity, specificity, accuracy, and F measure have been reported as 90, 96/1, 93/483 and 92/30%. These values indicate the efficiency of the proposed diagnosis system in the classification of benign and malignant lesions in magnetic resonance imaging of the breast.