Iranian Journal of Breast Diseases

fa به‏کارگیری الگوریتم GBC جهت افزایش دقت تشخیص و حذف نویز ضربه در تصاویر ماموگرافی مبتنی بر شبکه عصبی MLP Using MLP Neural Network and PSO Algorithm for Reduction of Degradation Caused by High Density Impulsive Noise in Mammography Images بیماریهای پستان Breast Diseases پژوهشي Research چکیده <a name="OLE_LINK28"></a><a name="OLE_LINK27">مقدمه:</a> سرطان پستان به&rlm;رغم انتشار گسترده، به کمک تصاویر ماموگرافی و علایم بالینی بیمار قابل شناسایی به موقع و معالجه قطعی است. حذف اختلالهای ناخواسته نظیر نویزها و بهبود کیفیت تصاویر ماموگرافی، در افزایش دقت تشخیص سرطان موثر میباشد. نویزهای ضربه در تصاویر ماموگرافی دیجیتال به گونهای است که در آن اختلاف شدت پیکسل نویزی با پیکسل‌های اطراف زیاد است. وجود علایم و ویژگیهای مختلف این بیماری، تشخیص را برای پزشکان دشوار میکند. پردازش تصاویر ماموگرافی امکان تحلیل وضعیت بیماران برای تصمیمگیریهای پزشکی را فراهم میکند. هدف این مقاله، ارایه یک مدل برای حذف نویز ضربه از تصاویر ماموگرافی به منظور افزایش دقت پیشبینی سرطان پستان است. روش بررسی: در این مطالعه، تصاویر ماموگرافی 574 بیمار مبتلا به سرطان پستان مورد بررسی قرار گرفته است. اطلاعات بیماران از پایگاه داده بیمارستان فوق تخصصی مرتاض یزد جمعآوری شده است. به منظور ارایه مدل برای حذف نویز ضربه از تصاویر ماموگرافی از الگوریتم GBC و شبکه عصبی MLP استفاده میشود. یافتهها: مدل پیشنهادی با روشهایی از قبیل MDBUTMF و ATSM مورد مقایسه قرار گرفت. نتایج شبیهسازی برتری دقت تشخیص و حذف نویز ضربه از تصاویر ماموگرافی مدل پیشنهادی نسبت به سایر روشها را نشان میدهد. همچنین PSNR تصویر به طور متوسط dB2 افزایش مییابد. نتیجهگیری: در حذف نویز ضربه به منظور پیشبینی سرطان پستان، مدل پیشنهادی نسبت به سایر مدلهای مورد مقایسه دارای حداقل میزان خطا و بیشترین دقت و صحت است. روش ATSM، حداکثر میزان خطا و کمترین دقت را دارا میباشد. Abstract <a name="OLE_LINK20">Introduction</a>: Impulse noise removal of mammography image is of great importance. The presence of different signs and characteristics of the disease has made it difficult for physicians’ to diagnose. MLP neural network allows the analysis of the patients’ medical data for medical decisions. The goal of this paper is to present an accurate model designed for reduction of degradation caused by high density impulsive noise in mammography images. Methods: In this study, the medical case files of 574 patients. Patient information was acquired from the Mortaz General Hospital Standard Database and selected. GBC Algorithm and MLP neural network are used for reduction of degradation Caused by high density impulsive noise in mammography images. Results: The suggested model was compared with the MDBUTMD and<a name="OLE_LINK19"> ATSM</a> methods. In reduction of degradation caused by high density impulsive noise in mammography images, the suggested model acquired the least error and the most PSNR and validation in comparison with other methods. The ATSM method has the most error and least PSNR. Conclusion: Subjective and objective evaluations on different images with different noise densities show the superiority of the proposed method over the related recent works in the field. سرطان پستان, ماموگرافی, الگوریتم GBC, شبکه عصبی MLP, حذف نویز Mammography Images, Breast Cancer, GBC Algorithm, MLP Neural Network, Impulse Noise Removal 19 35 http://ijbd.ir/browse.php?a_code=A-10-222-98&slc_lang=fa&sid=1 Mohammad Momeny محمد مومنی mohamad.momeny@stu.yazd.ac.ir 00031947532846002621 00031947532846002621 Yes Rabeah Sarram رابعه صرام 00031947532846002622 00031947532846002622 No Mehdi Agha Sarram مهدی آقاصرام 00031947532846002623 00031947532846002623 No Mostafa Shiryazdi مصطفی شیریزدی 00031947532846002624 00031947532846002624 No Afsaneh Ghasemi افسانه قاسمی 00031947532846002625 00031947532846002625 No Ali Pourahmadi علی پوراحمدی 00031947532846002626 00031947532846002626 No Zahra Hajebrahimi زهرا حاج ابراهیمی 00031947532846002627 00031947532846002627 No