Iranian Journal of Breast Diseases

fa طبقه ‌بندی ضایعات پستان در تصاویر رزونانس مغناطیسی با استفاده از روش جداسازی مبتنی بر Level Set و استخراج ویژگی گابور- هارالیک Tumor Classification in Breast Magnetic Resonance Images (MRI) Using the Level Set–Based Segmentation Method and Gabor-Haralik Feature بیماریهای پستان Breast Diseases پژوهشي Research <div style="text-align: justify;">مقدمه: سرطان پستان را می توان شایع ترین سرطان در میان زنان جهان نامید. از این رو یافتن راه هایی برای تشخیص و درمان این بیماری یک چالش مهم در سلامت جامعه بشری می باشد. روش های مختلفی به منظور غربالگری پستان در زنان معرفی شده است که از جمله کم خطرترین این روش ها می توان به تصویربرداری تشدید مغناطیسی اشاره کرد. ضایعات پستان دارای خصوصیات ظاهری مختص به خود نیستند بنابراین تفکیک خوشخیم و بدخیم بودن ضایعات در حالت عادی کار بسیار زمان&rlm;بر و دشواری می باشد. در این پژوهش یک سیستم آسیب شناسی خودکار با کمک کامپیوتر برای تشخیص و دسته بندی تصاویر تشدید مغناطیسی محوری پستان در دو طبقه خوش خیم و بدخیم ارایه می شود. روش بررسی: ابتدا نواحی احتمالی مشکوک به حضور ضایعه توسط یک رادیولوژیست با تجربه به صورت یک کادر مستطیلی در اطراف ضایعه جداسازی می شود. سپس از یک الگوریتم مبتنی بر Level Set استفاده می‌شود که برای اولین بار با در نظر داشتن شرایط غیریکنواختی تصاویر جداسازی ضایعات انجام می شود و همچنین در ادامه نواحی مثبت کاذب با استفاده از عملیات های ریخت شناسی و حذف رگ&rlm;شناسایی و کنار گذاشته می شوند. در مرحله ی بعدی چهار گروه ویژگی از نواحی جداسازی شده ضایعات استخراج می شوند که هرکدام بیانگر حالات خاصی از ساختار ضایعه میباشد. این چهار گروه عبارتند از: ویژگی های بافتی، سینتیک، فرکانسی و ریخت شناسی. در این مقاله یک گروه جدید از ویژگی ها تحت عنوان ویژگی های گابور-هارالیک معرفی شده که کارایی منحصر به فردی از خود به نمایش می گذارند. در آخر به&rlm; منظور طبقه بندی داده ها از دسته&rlm; بندی کننده MLP استفاده میشود. در تمام این مراحل از 46 ضایعه تودهای استفاده میشود. یافته ها: در نهایت میزان حساسیت، خاصیت، دقت و اندازه f  به ترتیب برابر با 41/95، 70/90، 76/92 و 19/92 درصد برای ویژگی های گابور-هارالیک گزارش شده اند. نتیجه&rlm; گیری: این مقادیر کارایی مناسب سیستم آسیب شناسی پیشنهادی در دسته بندی ضایعات توده ای خوش خیم و بدخیم در تصاویر تشدید مغناطیسی پستان را به نسبت سایر روش های پیشنهادی نشان می دهد.</div> <div style="text-align: justify;">Introduction: Breast cancer can be considered as the most common cancer among women in the world. Hence, finding appropriate diagnosis methods is a critical and sensitive challenge in the health of the human community. Various methods have been proposed for breast screening in women, and one of the safest methods is magnetic resonance imaging. Tumors do not have morphological features of their own. Therefore, differentiating between benign and malignant lesions is normally very time-consuming and difficult. In this study, a computer-aided autodiagnosis system is developed for diagnosis and classification of axial magnetic resonance images of the breast in two classes of benign and malignant. Methods: Initially, suspected parts of the lesion were separated as a rectangular box around the lesion by an experienced radiologist. Then, we used, for the first time, a level set–based algorithm to precisely separate the lesion considering the unevenness of the images and to remove false positive regions using morphological operations and removing veins. In the next stage, four groups of features expressing particular states of the lesion structure are extracted from the separated parts of the lesions. These four groups are textural, kinetic, frequency, and morphological features. Here a new group of features called the Gabor-Haralik features, which present a particular efficiency, was extracted for each lesion. Finally, MLP classification was used to classify the lesions. Results: The proposed method was tested on 46 lesions. By utilizing Gabor-Haralik features, we achieved mean sensitivity, specificity, accuracy, and F-measure of 95.41, 90.70, 92.76, and 92.19%, respectively. Conclusion: The performance measures indicate the efficiency of the proposed diagnosis system for classification of benign and malignant breast lesions in magnetic resonance imaging.</div> استخراج ویژگی, جداسازی پستان, سیستم آسیب شناسی, دسته بندی Diagnosis System, Breast Segmentation, Feature Extraction, Classification 65 85 http://ijbd.ir/browse.php?a_code=A-10-721-1&slc_lang=fa&sid=1 Soheil Pashoutan سهیل پشوتن soheil.pashootan@gmail.com 4000168827 00031947532846004352 Yes School of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran دانشگاه علم و صنعت ایران Fazael Ayatollahi فضائل آیت اللهی Fazael_ayatollahi@elec.iust.ac.ir 00031947532846004353 00031947532846004353 No School of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran دانشگاه علم و صنعت ایران Shahriar Baradaran Shokouhi شهریار برادران شکوهی bshokouhi@iust.ac.ir 00031947532846004354 00031947532846004354 No School of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran دانشگاه علم و صنعت ایران