مقدمه: تشخیص بهموقع سرطان پستان بهطور چشمگیری مرگومیر ناشی از آن را در جامعه زنان کاهش میدهد. آزمایش آسپیراسیون سوزنی (FNA) روشی ساده، ارزان و غیرتهاجمی برای تشخیص دقیق و زودهنگام این سرطان است که امروزه تلاش میشود بهصورت هوشمند و ماشینی انجام گیرد.
روش بررسی: مراحل ایجاد یک سیستم هوشمند برای تشخیص سرطان پستان عبارتاند از: ثبت تصاویر میکروسکوپیک از نمونه FNA، استخراج ویژگیهای عددی از این تصاویر، انتخاب ویژگیهای تفکیککننده و طراحی و آزمایش طبقهبندیکننده مناسب. در این تحقیق از ویژگیهای آماده پایگاه داده WDBC که شامل 569 نمونه FNA میباشد، استفاده شد. برای انتخاب ویژگی روش جدیدی مبتنی بر الگوریتم بهینهسازی ذرات دودویی (BPSO) ارائه شد و سرانجام تلفیقی از طبقهبندیکنندههای SVM برای کلاسبندی نمونهها بهکار گرفته شد.
یافتهها: سیستم پیشنهادی با استفاده از 28 ویژگی در قالب 5 مدل SVM به دقت شناسایی 100% دست یافت. این سیستم از لحاظ دقت و تعداد ویژگیهای مورد نیاز بر سیستمهای موجود برتری دارد.
نتیجهگیری: این تحقیق با ارائه یک الگوریتم انتخاب ویژگی کارآمد موفق شده است دقت شناسایی سیستمهای تشخیص سرطان پستان را بهبود دهد. این در حالی است که نسبت به سیستمهای مشابه از تعداد کمتری ویژگی استفاده شده است. از دیگر مزیتهای انتخاب ویژگی این است که علاوه بر تشخیص کلی، تشخیص ناهنجاریهای ناشی از بیماری را نیز ممکن میسازد.
بازنشر اطلاعات | |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |