شناسایی و طبقه بندی رسوبات ریز کلسیم در تصاویر ماموگرافی با استفاده از ویولت و شبکه عصبی

یکی از علائم بروز سرطان پستان، رسوبات ریزکلسیم موسوم به میکروکلسیفیکاسیون می باشد. این رسوبات ریز در تصاویر ماموگرافی، بصورت نقاط ریز و روشن و معمولاً بصورت منفرد یا خوشه ای ظاهر می شوند. یک خوشه می تواند متناظر با یک عارضه ی بد خیم و یا خوش خیم باشد. از آنجائیکه تصاویر ماموگرافی دارای وضوح پایینی هستند، ممکن است میکروکلسیفیکاسیونهای موجود در این تصاویر بخوبی قابل مشاهده نباشند، بنابراین استفاده از سیستم تشخیص کامپیوتری مبتنی بر تکنیک های پردازش تصویر می تواند تفسیر مطمئن تری از تصاویر ماموگرافی به منظور تشخیص میکروکلسیفیکاسیون ها فراهم کند. در این تحقیق، رویکردی مبتنی بر تبدیل موجک و آستانه گذاری پویا به منظور استخراج میکروکلسیفیکاسیونها و تشخیص نوع آنها ارائه گردیده است. بدین منظور، در گام اول برای ارتقاء تصاویر ماموگرافی یک تابع غیرخطی برای بهینه سازی ضرایب تبدیل موجک اعمالی به تصویر میکروکلسیفیکاسیون استفاده شده و سپس آستانه گذاری پویا برای استخراج میکروکلسیفیکاسیونها بکار رفته که بدین وسیله بخش بندی انجام شده است. ارزیابی نتایج بخش بندی با استفاده از شاخص مشابهت، کسر همپوشانی و کسر زیادی به ترتیب 97/0 ، 94/0 و صفر بدست آمده است. در نهایت، ناحیه مورد نظر با عملیات پنجره گذاری و بدون کمک گرفتن از رادیولوژیست بدست آمده و ویژگیهایی نظیر: تعداد، مساحت، محیط، مدور بودن، میانگین و واریانس مساحت و محیط برای هر ناحیه استخراج و با بکارگیری شبکه عصبی چند لایه ی پرسپترون، نوع میکروکلسیفیکاسیونها دسته بندی شده است. نتایج رویکرد پیشنهادی با استفاده از کمیتهای حساسیت، اختصاصی بودن و صحت به ترتیب برابر با 100%، 97% و 99% بدست آمده که بیانگر عملکرد بهتر این رویکرد نسبت به روشهای متداول است.