تشخیص خودکار خوشه های میکروکلسیفیکاسیون بکمک تبدیل موجک و شبکه های عصبی

در این مقاله یک سیستم CAD به منظور شناسایی و تشخیص خوشه های میکروکلسیفیکاسیون در تصاویر ماموگرافی معرفی شده است. الگوریتم معرفی شده مرکب از سه مرحله اساسی است. در مرحله اول، تبدیل موجک بر روی تصاویر ماموگرافی اعمال شده و دو ضریب موجک بهمراه دو ویژگی آماری بعنوان ویژگیهای متمایز کننده پیکسلها از نظر تعلق به یک دانه میکروکلسیفیکاسیون استخراج می گردند. سپس با استفاده از یک شبکه عصبی، دسته بندی اولیه پیکسلها انجام می شود. در مرحله دوم الگوریتم، پس از حذف پیکسلهای نویزی حاصل از مرحله اول، اجسام باقیمانده از نظر مطابقت با یک دانه میکروکلسیفیکاسیون مورد بررسی قرار می گیرند. به این منظور، از ۱۸ ویژگی تعریف شده برای هر دانه میکروکلسیفیکاسیون، و یک دسته بندی کننده غیر خطی استفاده شده و دانه های میکروکلسیفیکاسیون با دقت خوبی شناسایی می شوند. برای آموزش این دسته بندی کننده از ۱۶ ناحیه، حاوی میکروکلسیفیکاسیونها از تصاویر پایگاه داده ای که مجموعا شامل ۳۷۹ میکروکلسیفیکاسیون بودند، استفاده شده است. در مرحله سوم، با استفاده از ۵ ویژگی مربوط به خوشه های میکرو کلسیفیکاسیون و یک شبکه عصبی، در مورد بد خیمی خوشه های میکروکلسیفیکاسیون قضاوت بعمل میآید. برای آموزش این شبکه عصبی از ۲۲ خوشه که از ۱۴ خوشه خوش خیم و ۸ خوشه بد خیم تشکیل شده بودند، استفاده شد. برای سنجش کارایی سیستم نیز ۲۲ خوشه دیگر که در مرحله آموزش از آنها استفاده نشده بود و شامل ۱۰ خوشه خوش خیم و ۱۲ خوشه بد خیم بودند به سیستم اعمال شدند. لازم به ذکر است که این تصاویر از پایگاه داده DDSM منتقل شده اند. با اعمال تصاویر فوق، این سیستم در مقدار آستانه 0/45 مقدار حساسیت ۱۰۰ % و مقدار خصوصیت91/6% از خود نشان داد. با توجه به این مقادیر می توان قابلیت مناسب الگوریتم ایجاد شده را تایید نمود

کلیدواژه ها:

ماموگرافی ، میکروکلسیفیکاسیون ، تشخیص خودکار تصاویر ماموگرافی ، شبکه های عصبی مصنوعی ، پردازش تصویر