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.
