جواد حدادنیا،
جلد ۶، شماره ۱ - ( ۱-۱۳۹۲ )
چکیده
چکیده
مقدمه: سرطان پستان یکی از شایع‌ترین بیماری‌های زنان است. شناسایی و تشخیص زود هنگام این بیماری می‌تواند در درمان آن بسیار موثر باشد. ماموگرافی در حال حاضر از موثرترین روش‌های تشخیص بیماری سرطان پستان است. دسته بندی و جداسازی تصاویر مشابه بر اساس نوع توده‌ها و بافت‌های موجود در آن می‌تواند در تفکیک و تشخیص بیماری بسیار موثر باشد. دقت در جداسازی ویژگی‌ها یک فاکتور مهم در طبقه بندی، کلاس بندی و بازیابی تصاویر است.
روش بررسی: ما با توجه به تصاویر ماموگرافی به تشخیص توده‌های موجود در تصاویر اقدام می‌کنیم. در این کار بدون نیاز به تشخیص ناظر، نرم افزار تصاویر مشابه را به طور کامل و دقیق شناسایی کرده و آنها را به صورت مجزا در دسته‌های مختلف نمایش می‌دهد. در اینجا مدلی برای کاهش اطلاعات موجود در تصاویر بر اساس آنالیز اجزا اولیه به صورت دو بعدی دو جهتی ارایه شده است که می‌تواند با کاهش داده‌های اضافی موجود در تصاویر ماموگرافی به دقت و سرعت دسته بندی تصاویر کمک کند. پس از انجام کاهش داده‌ها، به کمک ماشین بردار پشتیبان با تابع شعاعی به طبقه بندی و بازیابی تصاویر پرداخته شده است.
یافته‌ها: این مدل می‌تواند برای تحلیل و دسته بندی تصاویر ماموگرافی در حجم بالا مورد استفاده قرار گیرد. بر اساس مدل پیشنهادی، تصاویر دارای چگالی بالا و احتمال وجود توده‌های سرطانی در دسته‌های مجزا از تصاویر کم خطرتر قرار می‌گیرند و بدین وسیله جداسازی و آنالیز تصاویر در دسته‌های مختلف امکان پذیر میشود.
نتیجه‌گیری: مدل ارایه شده در این پژوهش، بر روی پایگاه داده جامعه تحلیل تصاویر ماموگرافی MIAS تست شده است. دقت میانگین نتایج در حدود ۹۰% قرار گرفته است که نشان دهنده دقت بالای مدل ارایه شده است. در نهایت نتایج شبیه سازی مدل پیشنهادی با سایر گزارشات معتبر مقایسه شده است تا کارایی مدل پیشنهادی به وضوح دیده شود.
