مجله علمی

مقدمه: سرطان پستان یکی از شایع­ترین علت مرگ و میر در زنان محسوب می­شود. پیش­بینی صحیح سرطان پستان دارای اهمیت است. وجود علایم و ویژگی­های مختلف این بیماری، تشخیص را برای پزشکان دشوار می­کند. داده­کاوی امکان تحلیل داده‏های بالینی بیماران برای تصمیم­گیری­های پزشکی را فراهم می­کند. هدف این مقاله، ارایه یک مدل برای افزایش دقت پیش‏بینی سرطان پستان است.

روش بررسی: در این مطالعه، پرونده پزشکی ۵۷۴ بیمار مبتلا به سرطان پستان با تعداد ۳۲ ویژگی مورد بررسی قرار گرفته است. اطلاعات بیماران از پایگاه داده استاندارد بیمارستان فوق تخصصی مرتاض یزد جمع­آوری شده ­است. هر یک از بیماران حداقل به مدت یک سال تحت پیگیری بوده­اند. به منظور ارایه مدل پیش­بینی سرطان پستان از الگوریتم ژنتیک و داده­کاوی استفاده می­شود.

یافته­ها: مدل پیشنهادی با روش­های درخت تصمیم­گیری، نایو بیز و نزدیک­ترین همسایه مورد مقایسه قرار گرفت. نتایج نشان می­دهد که دقت پیش­بینی مدل ­پیشنهادی برابر با ۹۷۳/۰ بوده ­است. همچنین برای روش­های نایو بیز، درخت تصمیم­گیری و  نزدیک­ترین همسایه دقت پیش­بینی به ترتیب برابر با ۹۱۳/۰، ۹۲۹/۰ و ۹۵۱/۰ می­باشد.

نتیجه­گیری: در پیش­بینی سرطان پستان، مدل پیشنهادی نسبت به سایر مدل­های مورد مقایسه دارای حداقل میزان خطا و بیش‏ترین دقت و صحت ­است. روش نایو بیز، حداکثر میزان خطا و کم­ترین دقت را دارا می­باشد.

چکیده

مقدمه: سرطان پستان یکی از شایع‎ترین بیماری‎های زنان است. شناسایی و مرزبندی توده‌ها و تشخیص تومورهای موجود در بافت پستان از چالش‏های جدی در تشخیص این سرطان است. در حال حاضر ماموگرافی، متداول‏ترین راه تشخیص تومورهای موجود در پستان می‏باشد که عدم شناسایی صحیح مرز توده‎ها در آن می‏تواند منجر به تشخیص یا نمونه‎برداری نادرست از بافت پستان ‎شود. هدف این مقاله، معرفی یک روش هیبریدی هوشمند جدید برای شناسایی و مرزبندی تومورهای پستان در تصاویر ماموگرافی است که تشخیص خودکار خوش خیم یا بدخیم بودن تومور را تسهیل کند.

روش بررسی: در این مطالعه از داده‏های پایگاه داده DDSM که شامل ۱۵۰ تصویر ماموگرافی حاوی تومورهای خوش‎خیم و ۱۵۰ تصویر ماموگرافی حاوی تومورهای بدخیم است، استفاده شد. پس از حذف نواحی اضافی مانند پس‎زمینه، با قطعه‎بندی تصاویر ماموگرام بر مبنای هیستوگرام تصویر و ترکیب تبدیل موجک و الگوریتم ژنتیک و نیز مورفولوژی ریاضی مرز تومور استخراج شد. همچنین علاوه بر الگوریتم ژنتیک، الگوریتم های بهینه‎سازی کلونی مورچگان و بهینه‎سازی ازدحام ذرات نیز برای قطعه‎بندی تصاویر ماموگرافی مورد استفاده و مقایسه قرار گرفتند.

یافته‎ها: الگوریتم هیبریدی پیشنهادی صحت خوب و سرعت بالایی در قطعه‎بندی تصاویر ماموگرافی جهت تشخیص تومورهای پستان دارد. برای طبقه‏بندی تومورها، قطعه‏بندی با استفاده از الگوریتم ژنتیک نسبت به الگوریتم بهینه‌سازی کلونی مورچگان و بهینه‏سازی ازدحام ذرات صحت بالاتری دارد. مرزبندی تومورهای شناسایی شده در تصاویر حاصل از قطعه‎بندی با الگوریتم هیبریدی پیشنهادی، منجر به صحت طبقه‏بندی ۴/۹۱% (طبقه‏بندی به دو دسته خوش‏خیم و بدخیم) شده است که مطلوب است.

نتیجه‏گیری: الگوریتم هیبریدی پیشنهادی، الگوریتمی سریع و کارآمد برای قطعه‎بندی تصاویر ماموگرافی و مرزبندی تومورهای پستان است. نتایج این مطالعه نشان داد که اولا روش هوشمند ارایه شده، دارای صحت مناسب جهت کمک به تشخیص رادیولوژیست‎ها و تا حدودی حذف مرحله نمونه‎برداری از بافت پستان می‏باشد. ثانیا بین سه الگوریتم ژنتیک، بهینه‌سازی کلونی مورچگان، و بهینه‏سازی ازدحام ذرات، الگوریتم ژنتیک منجر به صحت بالاتر طبقه‏بندی تومورها می‏شود.