طبقه بندی تصاویر mri سینه با استفاده از شبکه های عصبی و پردازش تکاملی

شیوع روز افزون سرطان سینه از یک طرف و اهمیت تشخیص به موقع و زودهنگام آن از طرف دیگر، لزوم تصویربرداری دقیق را برای شناسایی سرطان سینه، بیان می کند. به همین منظور تاکنون روش های تصویربرداری مختلفی از جمله ماموگرافی، ترموگرافی، سونوگرافی سینه و ام.آر.آی مورد مطالعه قرار گرفته است. در این میان، mri به دلیل حساسیت بالا، عدم استفاده از پرتو یونیزه، غیرتهاجمی بودن و غیره، یک روش تشخیصی ارزشمند به حساب می آید. یافته های بسیاری وجود دارد که نشان می دهد روش mri با تزریق ماده حاجب، برای تشخیص زودهنگام سرطان در زنان با ریسک ابتلای بالا، بسیار مفید و موثر می باشد. از آنجائیکه، تشخیص بیماری سرطان از جمله سرطان سینه و طبقه بندی نوع آن وابسته به تجربه و مهارت پزشک می باشد لزوم ارائه روشی که از طریق آن بتوان طبقه بندی را به روشی هوشمند انجام داد، احساس می شود. این نوشتار، به بررسی طبقه بندی داده های حاصل از تصاویر mri سینه، به دو گروه خوش خیم و بدخیم در دو بخش می پردازد. بخش اول بر روی داده های عددی مربوط به دانشگا کالیفرنیا در سال های 2006-2004 اعمال شده است که پس از انتخاب ویژگی با الگوریتم ژنتیک، شبکه های عصبی مختلف و نیز طبقه بندی کننده ماشین های بردار پشتیبان برای طبقه بندی به کار می رود. در نهایت با انتخاب سه طبقه بندی کننده برتر، توانستیم صحت 94%، 99% و 91% برای سه گروه داده mass non-mass,و تمام داده ها را بدست آوریم. در بخش دوم این پایان نامه، تصاویر جمع آوری شده از بیمارستان میلاد تهران برای این منظور به کار رفته است. دراین بخش برای استخراج ویژگی، پس از افزایش کنتراست تصویر، روش جستجوی پیکسل به پیکسل به تصویر اعمال می شود تا محدوده ای از ناحیه ای که تومور در بر گرفته است، مشخص شود. پس از تعیین ناحیه تومور، برای شناسایی دقیق مرز تومور از روش فازی استفاده می شود. روش های استخراج ویژگی بر روی ناحیه مورد نظر اعمال می شود. با به کارگیری ویژگی های بدست آمده و اعمال شبکه های عصبی مختلف، طبقه بندی داده ها به دو گروه خوش خیم و بدخیم انجام می شود. در این پایگاه داده، بااستفاده از بردار ماشین های پشتیبان خطی و سیگوئید توانستیم تفکیک داده ها را به طور کامل انجام دهیم.