مسعود هاشمی عمروآبادی محمدرضا احمدزاده
سرطان سینه شایعترین سرطان و اولین عامل مرگ و میر ناشی از سرطان در میان زنان جهان است. در حال حاضر ماموگرافی مناسبترین روش تشخیص سرطان سینه محسوب می گردد. اما به علت نوع بافت سینه و استفاده از تابش اشعه ایکس با تراکم پایین در تهیه ماموگرام ها، تصاویر از تباین پایینی برخوردارند. در ضمن تومورها دارای اندازه ها و شکل های متفاوتی هستند به همین دلیل تشخیص ضایعات به خصوص در مراحل اولی? تشکیل کار بسیار دشوار و خسته کننده ای است. آمار نشان می دهد تشخیص زودهنگام ضایعات در کاهش مرگ و میر ناشی از سرطان نقش چشمگیری دارد. در این تحقیق هدف یافتن تومورها در تصاویر ماموگرام می باشد. تصاویر ماموگرام دارای ابعاد بزرگی هستند و پردازش کل تصویر برای یافتن تومور بسیار زمانبر می باشد به منظور کاهش نواحی مورد پردازش تصویر روشهایی برای جداسازی پس زمینه از بافت سینه و شناسایی مرز ماهیچه پکتورال پیشنهاد شده-اند. برای کاهش بیشتر نواحی که مورد پردازش قرار می گیرد الگوریتمی برای شناسایی نواحی مشکوک پیشنهاد شده است تا الگوریتم بازشناسایی تنها بر تصاویر خروجی از این الگوریتم اعمال شود. برای بازشناسی تومورها تعدادی ویژگی از تصاویر مربوط به نواحی مشکوک استخراج می شود. برای به دست آوردن بهترین ویژگی های ممکن ابتدا چندین روش استخراج داده بررسی شده-اند سپس یک روش ترکیبی با استفاده از ویژگی های به دست آمده از ماتریس همرخداد و تبدیل pca پیشنهاد شده است که دارای کارایی بسیار مناسبی می باشد. برای کاهش تعداد ویژگی های مورد استفاده و همچنین افزایش بازدهی الگوریتم، یک روش برای انتخاب ویژگی های موثر با استفاده از الگوریتم ژنتیک پیشنهاد شده است. برای دسته بندی نهایی نیز از بین ابزارهای مختلف موجود، svm پس از ارزیابی تعدادی از ابزارهای کلاس بندی به عنوان یکی از مطمین ترین روش های کلاس بندی در این کاربرد انتخاب شده و مورد استفاده قرار گرفته است. در انتها نیز برای شناسایی نوع تومور (خوش یا بد خیمی تومور) یک روش بر اساس یافتن مرز تومور و باز کردن این مرز حول مرکز جرم و استخراج ویژگی های توصیف کننده شکل مانند بعد فرکتالی، پیشنهاد شده است. الگوریتم نهایی پیشنهاد شده به صورت ترکیب ویژگی های ماتریس همرخداد و pca و انتخاب ویژگی ها توسط الگوریتم ژنتیک به سطح زیر منحنی 97/0 رسیده است. درصد تشخیص مثبت صحیح به دست آمده توسط svm برابر 3/97% و درصد تشخیص مثبت کاذب برابر 65/16% می باشد.
